CC BY
116
DOI: 10.37614/2307-5252.2020.8.11.004 УДК 004.94
Е.О. Неупокоева, В.В. Быстров, С.Н. Малыгина
Институт информатики и математического моделирования ФИЦ КНЦ РАН
ОБЗОР ТРАНСПОРТНО-ЛОГИСТИЧЕСКИХ ИМИТАЦИОННЫХ МОДЕЛЕЙ ПЛАТФОРМЫ ANYLOGIC CLOUD
Аннотация
Статья посвящена анализу существующих имитационных моделей в области транспортной логистики. Представленный в работе обзор включает в себя краткое описание некоторых моделей, находящихся в открытом доступе на платформе AnyLogic Cloud. Для каждой рассмотренной модели приводятся ее достоинства и недостатки, а также отмечаются возможности использования их компонентов для разработки оригинального полимодельного комплекса транспортно-логистической системы арктического региона.
Ключевые слова:
имитационное моделирование, транспортная логистика, арктический регион
E.O. Neupokoeva, V.V. Bystrov, S.N. Malygina
Apatity, Institute for Informatics and Mathematical Modelling, KSC RAS
OVERVIEW OF TRANSPORT AND LOGISTICS SIMULATION MODELS OF THE ANYLOGIC CLOUD PLATFORM
Abstract
The article is devoted to the analysis of existing simulation models in the field of transport logistics. The overview presented in this paper includes a brief description of some models that are publicly available on the AnyLogic Cloud platform. For each model considered, its advantages and disadvantages are given, and the possibilities of using their components for the development of an original multi-model complex of the transport and logistics system of the Arctic region are noted.
Keywords:
simulation, transport logistics, Arctic region Введение
В последние годы вектор социально-экономического развития Мурманской области направлен на модернизацию основных отраслей региональной экономики: рыбопромышленную, горнодобывающую и перерабатывающую, туристическую, а также на расширение транспортной инфраструктуры. Реализуется в данных сферах все больше крупных проектов, поддерживаемых государственными и бизнес структурами. В частности, развиваются туристические объекты и маршруты (например, самый северный ресторан на острове Средний, скелет кита в Териберке, гостиница «Hibiny Camp» [1] и т.п.), в Мурманскую область приходят сетевые магазины и интернет-маркетинг (например, OZON и Wildbems). В горно-химическом кластере наблюдаются тенденции по внедрению технологий цифровых производств (например, в АО «Апатит» проект по созданию цифрового двойника транспортной логистики компании). В рамках национальной стратегии развития Северного Морского Пути
(СМП) активно модернизируется транспортная инфраструктура региона, например, расширяется гражданский порт в г. Мурманск, строится дополнительная железнодорожная ветка к логистическим портовым объектам.
Расширение региональной транспортной сети заставляет решать традиционные логистические задачи, такие как:
• построение маршрута в зависимости от различных критериев (расстояние, оперативность доставки, стоимость и т.д.);
• выбор вида транспорта;
• мониторинг состояния транспортной сети и оперативное управление перевозками.
Для успешного решения поставленных логистических задач используются современные информационные технологии, начиная от моделей отдельных процессов и заканчивая специализированными системами поддержки принятия решений. В рамках данной статьи рассматриваются компьютерные модели, разработанные для информационно-аналитической поддержки принятия решений в сфере логистики.
С точки зрения исследования транспортно-логистических систем разного уровня применяются аналитическое моделирование, которое позволяет получать относительно точные решения в рамках принятых допущений, и имитационное, сводящееся к воспроизведению поведения реально существующей системы и постановке на ней экспериментов.
В современной теории моделирования сложных систем применяются комбинации этих двух подходов. Имитационное моделирование является более предпочтительным с точки зрения исследователя по следующим причинам:
• Не для всех классов исследуемых задач существует аналитическое решение;
• Даже если аналитическое решение существует, оно слишком трудоемко для получения.
Безусловным достоинством имитационного моделирования перед аналитическим является возможность решения более сложных задач. Имитационное моделирование позволяет предсказывать поведение системы с учетом допущений и маловероятных событий, ставить на модели многочисленные эксперименты, а также позволяет предоставлять полученные результаты имитации в доступной для человеческого восприятия форме (таблицы, графики, анимированные изображения и т.п.).
Одним из средств имитационного моделирования, зарекомендовавших себя при решении практических задач, является программный продукт AnyLogic. Существенным преимуществом AnyLogic по сравнению с другими средствами имитационного моделирования является возможность разработки сложных моделей на основе интеграции дискретно-событийного, агентного и системно-динамического моделирования. С точки зрения исследования транспортно-логистических систем, данная имитационная среда является предпочтительной ввиду наличия в ней готовых библиотек разнообразных модельных объектов [2]:
• Пешеходная библиотека - инструмент для моделирования пешеходных потоков и анализа поведения толпы (в том числе пешеходов-курьеров);
• Железнодорожная библиотека - позволяет эффективно моделировать
и визуализировать работу железнодорожных узлов и транспортных систем любой сложности и масштаба;
• Библиотека дорожного движения - позволяет моделировать транспортные потоки с учетом индивидуального поведения каждого водителя;
• Библиотека производственных систем - помогает создавать точные модели производственных и складских объектов и управлять материальными потоками на предприятии;
• Библиотека моделирования процессов - осуществляет моделирование любых процессов, которые можно представить в виде последовательности операций.
Совместное использование этих библиотек позволяет создать как простейшую транспортно-логистическую цепочку типа «из пункта А в пункт Б», так и разветвленную сеть транспортных потоков разного масштаба (предприятия, города, региона, мира). Большое количество встроенных модулей и функций позволяет не тратить время на разработку простых решений, а процесс создания модели свести к построению ее из готовых объектов. При этом AnyLogic предоставляет гибкие средства визуализации результатов моделирования. Сложность разрабатываемых моделей ограничиваются только квалификацией разработчика и аппаратными характеристиками вычислительной машины.
Принимая во внимание, что совершенствование транспортно-логистической инфраструктуры Арктической Зоны Российской Федерации является актуальной задачей национального развития, то создание имитационных моделей транспортно-логистических объектов также является востребованным научно-практическим направлением. В рамках данного направления предлагается исследовать возможные сценарии развития транспортной инфраструктуры Мурманской области с помощью компьютерного моделирования. Первым этапом исследования является обзор уже существующих в этой сфере решений. В качестве основного источника информации был выбран открытый портал AnyLogic Cloud, а именно рубрика «Транспорт и логистика». Такой выбор обусловлен тем, что данное облачное хранилище содержит готовые модели, разработанные в AnyLogic, и демонстрирующие разные подходы к решению задач и построению моделей. Кроме запуска моделей в облачном хранилище представляется возможность знакомства с конструктивными особенностями некоторых моделей в режиме разработчика, что невозможно осуществить при анализе большинства открытых публикаций по прикладному имитационному моделированию.
Обзор логистических имитационных моделей
В данном разделе представлена систематизация некоторых имитационных моделей из AnyLogic Cloud по сфере их применения. Отдельные элементы рассмотренных моделей могут использоваться при создании полимодельного комплекса для исследования сценариев развития транспортно-логистической инфраструктуры Мурманской области.
1. Модели железнодорожной логистики
TRAIN UNLOADING
В данной модели, разработанной AnyLogic в качестве демонстрационного примера [3], поезда, состоящие из вагонов с различным содержимым, заходят на небольшую железнодорожную станцию. Дифференциация содержимого вагонов реализована в модели с помощью различной цветовой заливки. При воспроизведении процессов разгрузки использованы следующие объекты: поезд, башенный кран, грузовик, железнодорожный путь, семафор (рис.1). Логика модели сводится к разгрузке вагонов с определенным содержимым (на рисунке обозначено оранжевым и красным цветом) с помощью башенного крана в грузовик. Заполненные грузовики уезжают на стоянку (в правом нижнем углу визуального отображения) При занятом пути разгрузки состав ожидает своей очереди перед семафором.
Arwriitiin | Logic AnyLogic Rnil Library + Process Modeling Library
Рис. 1. Модель «Train Unloading»
При разработке модели использованы библиотека Rail, задающая рельсовые пути, стрелочные переводы, вагоны и локомотивы, а также логику работы станции, и библиотека Process Modeling, использованная для имитации работы крана.
Для разработки полимодельного комплекса развития транспортно-логистической инфраструктуры арктического региона целесообразно воспользоваться отдельными элементами данной модели в части воспроизведения процессов погрузки и разгрузки железнодорожного подвижного состава.
Рассматриваемая модель (разработчик Brian Ovrum) является наглядным примером сложной железнодорожной сети [4]. Функционирование железнодорожной сети представлено на объемном многоярусном острове, пронизанном двумя железнодорожными ветками, по которым постоянно в замкнутом цикле передвигаются поезда трех видов (рис. 2). Количество поездов
TRAINS
каждого вида регулируется пользователем, их количество может доходить до четырех.
Разработчик модели сместил акцент при разработке на визуализацию функционирования железнодорожной сети в реальном времени, а не на решение классических задач имитационного моделирования (прогнозирование, анализ возможных сценариев и т.п.).
Визуальное представление модели выполнено на высоком уровне с применением 3D графики, а также уделения значительного внимания мелким деталям воспроизводимой системы. В частности, в данной модели реализованы следующие особенности:
• Многоярусность. Железнодорожные пути проложены не на плоскости, а в трехмерном пространстве - они поднимаются и опускаются под углом к плоскости, заходят в туннели, имитируя перемещение по неровному ландшафту, приближая движения моделируемого объекта к реальности;
• Увеличение точек обзора. В отличие от большинства моделей здесь используется 8 камер, что позволяет рассматривать данный остров с разных ракурсов или осуществлять движение по острову в режиме свободной камеры
• Работа с источниками света. В модели задействованы динамические источники света, такие как фары движущегося поезда, что добавляет модели наглядности и реалистичности.
• Детализация окружающей среды. Так как акцент модели смещен на 3D-визуализацию функционирования транспортной сети, то разработчик внес множество мелких деталей, не имеющих отношения к движению поездов, но добавляющих реалистичности (фигурки деревьев, животных и т.п.)
Рис. 2. Модель многоярусной транспортной сети «Trains»
Для разработки полимодельного комплекса развития транспортно-логистической инфраструктуры арктического региона можно использовать такие компоненты рассмотренной модели, как многоярусность, имитация вертикальных и горизонтальных транспортных процессов, 3D-визуализация результатов моделирования.
AIRPORT SHUTTLE TRAIN
Модель от Dimitrij Marek [5] показывает работу пассажирского трансфера с помощью железнодорожного сообщения в аэропорт (рис.3). Она является примером использования систем массового обслуживания, модифицированных специальными модельными объектами транспортной и пешеходной библиотек AnyLogic. Воспроизводимая моделью логика довольно проста и заключается в имитации посадки пассажиров в вагон, движению вагона между двумя пунктами назначения и высадке пассажиров в конечной точке маршрута. Данный процесс перемещения пассажиров зациклен во времени.
Рис. 3. Модель пассажирского трансфера «Airport Shuttle Train»
Для исследования транспортно-логистических потоков арктического региона из рассмотренной модели можно позаимствовать реализацию механизмов взаимодействия агентов двух типов: пассажиров и транспортных средств.
2. Модели автомобильной логистики
LAST MILE RO UTE PLANNING
Модель от TUB Logistik [6] это учебная модель для планирования маршрута доставки последней мили автомобильным транспортом. Программный продукт описывает варианты маршрутов объезда пунктов доставки для поставщика логистических услуг в Берлине (рис. 4). Модель позволяет задать направление движения (с востока на запад, с севера на юг и т.п.), учитывать время простоя и временные режимы работы пунктов доставки. Транспорт, развозящий посылки, начинает свое движение со склада к пунктам доставки, объезжает их поочередно в соответствии с выбранным маршрутом и возвращается на склад. В модели учитывается дневной и ночной режим работы службы доставки, что отображается в визуальном представлении яркостью изображения.
К достоинствам модели можно отнести выбор направления движения по маршруту, реализацию смены дня и ночи, выбор времени начала работы и прогнозирование времени доставки в зависимости от выбранного маршрута (из пяти фиксированных маршрутов).
В качестве недостатков можно указать невозможность самостоятельного составления маршрута доставки по выбранным пунктам, а так же варьировать окончание времени работы пунктов доставки.
Рис. 4. Модель доставки последней мили «Last Mile Route Planning»
С точки зрения моделирования региональных транспортных потоков целесообразно использовать отдельные компоненты представленной имитационной модели для воспроизведения работы курьерской службы в городской среде. Это необходимо для прогнозирования загруженности городской дорожной инфраструктуры, которая сказывается на качестве решения прикладных логистических задач.
3. Модели производственной и складской логистики
PROIZVODSTVO
Данная модель, разработанная A Golodushkin, отражает полный цикл производства паллет, от строгания досок до получения покупателем конечного продукта [7]. Модель выделяется подходом автора к визуализации отдельных циклов производства (рис.5).
Рис. 5. Модель производства паллет «Proizvodstvo»
Графический интерфейс представленной модели позволяет проследить все технологические этапы обработки древесных изделий, а именно последовательное выполнение обработки, распила и сверления пазов, сортировки, сборки, перемещения на склад и поставки готовых изделий клиентам. Предоставлена возможность изменения входных параметров в процессе функционирования модели (количество погрузчиков, скорость торцевания досок и т.п.).
К явным недостаткам представленной модели можно отнести логическую ошибку в общем алгоритме модели, которая заключается в том, что при завершении всех технологических процессов добавление новой заявки на производство продукции невозможно.
JOB SHOP
В качестве примера складской логистики предлагается рассмотреть модель от Dimitrij Marek [8]. Она является дискретно-событийной и оперирует следующими модельными объектами: грузовик, погрузчики, станки, двухъярусный склад, заготовки, готовая продукция (рис.6). Алгоритм модели представляет собой типичную систему массового обслуживания, в рамках которой имитируются процессы производства, хранения и транспортировки сырья и продукции небольшой мастерской.
К достоинствам модели можно отнести: простую и понятную структурную схему, SD-анимацию производственных процессов. В свою очередь, в качестве недостатков можно выделить:
• отсутствие элементов управления, позволяющих задавать параметры модели;
• неудачная визуализация отдельных этапов производственного процесса, заключающаяся в отсутствии информативных элементов, указывающих на длительность выполняющихся операций;
• отсутствие возможности навигации на визуальном представлении не позволяет пользователю увидеть весь функционал модели.
Рис. 6. Модель складской логистики «Job Shop»
Для создания полимодельного комплекса исследования транспортно-логистических систем арктического региона можно перенять особенности компьютерной реализации технологических процессов с целью интеграции объектов производственной, складской и транспортной логистики. Такая интеграция позволила бы повысить адекватность построения моделей транспортно-логистических цепочек за счет учета специфики конкретных производств и организации складского хранения.
4. Логистика курьерской службы
Optimization tool for courier delivery
Имитационная модель от разработчиков SimulationX [9] является наглядным примером решения задачи оптимизации доставки курьером продукции со склада до конечного потребителя (рис.7). В основе модели положен агентный подход, который позволяет курьеров и объекты общественной транспортной сети представить в виде активных сущностей, обладающих собственным поведением. Это позволяет при построении оптимального маршрута осуществлять выбор необходимых агентов по их характеристикам, которые будут принимать участие в маршруте. Особенностью модели является возможность определения оптимального количества курьеров и их персональных маршрутов доставки. В алгоритме оптимизации количества курьеров учитываются следующие параметры: ограничение по весу и по времени (в каждом пункте доставки курьер должен быть к определенному времени). Акцент сделан на перемещении курьеров с помощью московского метрополитена, а остальной общественный транспорт является дополнительным средством доставки (в том числе и пешком).
К достоинствам модели можно отнести:
• инициализация модели с помощью загрузки внешнего файла (название заказа, координаты доставки, вес и время);
• использование инструментов AnyLogic для работы с ГИС для построения маршрутов;
• настраиваемая визуализация маршрутов.
В качестве недостатков можно указать отсутствие возможности выгрузить информацию о построенном маршруте курьера во внешний файл, текущая версия алгоритма распределения заказов между курьерами не всегда работает корректно (возможны ситуации неравномерного распределения заказов).
Рис. 7. Модель оптимизации курьерской доставки «Optimization tool for courier deliver»
В рамках исследования функционирования транспортно-логистических систем арктического региона рассмотренная модель может быть использована в качестве примера решения оптимизационных логистических задач с учетом модальности грузоперевозок.
5. Вспомогательные модели логистики
TransSec V2P Evacuation Demo
Имитационная модель, созданная William Han, является примером исследования процессов оповещения о критической ситуации всех участников движения с помощью специального мобильного приложения. В модели в качестве критической ситуации рассматривается сценарий совершения террористического акта в городской среде [10]. В качестве модельного объекта, несущего угрозу обществу, рассматривается грузовик со взрывчатым веществом, передвигающийся по улицам города Уотерфорд, Ирландия, а в качестве потенциальных жертв - пешеходы (рис.8). Модель разработана на основе совместного использования агентного и дискретно-событийного моделирования и оперирует двумя зонами охвата: зона поражения от грузовика и зона оповещения пешеходов. Модель позволяет взглянуть в целом на развитие критической ситуации и действия населения в условиях его оповещения. Основным параметром модели является время начала движения грузовика, которое влияет на первоначальное количество людей в зонах поражения и оповещения. Каждый пешеход, находящийся в зоне оповещения, получает от радиовышки информацию о ближайшем выходе из зоны и выстраивает свой маршрут с целью достижения данного выхода. Кроме того, реализована передача сообщения об опасности между пешеходами: те, кто уже получил оповещение, при сближении передают информацию тем, кто еще не успел получить сигнал.
Рис. 8. Модель эвакуации населения «TransSec V2P Evacuation Demo» Недостатками рассматриваемой модели являются:
• в модели заложен только один сценарий развития критической ситуации, характеризующийся фиксированным маршрутом движения опасного автотранспортного средства;
• количество точек выходов для движения пешеходов ограничено, что обусловлено локализацией моделируемого сценария;
• пешеходы мгновенно реагируют на сигнал, что не совпадает с реальными условиями развития критической ситуации.
К достоинствам модели можно отнести возможность исследования степени эффективности оповещения в зависимости от массовости скопления людей в зонах.
В рамках исследований функционирования транспортно-логистических сетей арктического региона данная модель может рассматриваться как пример решения вспомогательных задач, таких как оповещение участников движения об аварийных ситуациях на различных объектах транспортной инфраструктуры с целью возможности изменения маршрута.
Заключение
Авторы данной статьи провели систематизацию информации о существующих имитационных моделях из открытых источников с позиции их применимости для решения задач транспортной логистики. В результате работы было детально рассмотрено порядка пятидесяти имитационных моделей, представленных на облачной платформе AnyLogic Cloud. В статье приводится краткое описание некоторых проанализированных моделей, компоненты которых могут быть использованы при создании полимодельного комплекса транспортно-логистической системы арктического региона.
Разработка компьютерных моделей для информационно-аналитической поддержки принятия решений в логистических задачах является актуальной и востребованной на рынке программных информационно-управляющих систем. Совершенствование такого модельного инструментария обусловлено активной реализацией крупномасштабных проектов, направленных на развитие национальной транспортно-логистической инфраструктуры АЗРФ, в частности Северного морского пути.
Работа выполнена в рамках реализации темы НИР № 0226-2019-0035 «Модели и методы конфигурирования адаптивных многоуровневых сетецентрических систем управления региональной безопасностью в Арктической зоне Российской Федерации» государственного задания Министерства науки и высшего образования РФ.
Литература
1. В Мурманской области с помощью федеральных грантов будут созданы новые туристические объекты. - Режим доступа: https://www.mvestnik.ru/newslent/v-murmanskoj-oblasti-s-pomowyu-federalnyh-grantov-budut-sozdany-novye-turisticheskie-obekty/ (дата обращения: 27.11.2020)
2. AnyLogic Process Modeling Library. - Режим доступа: https://www.anylogic.ru/ resources/libraries/process-modeling-library/ (дата обращения: 27.11.2020)
3. Модель «Train Unloading». - Режим доступа: https://cloud.anylogic.com/model/ 5410ba24-7f21 -4948-92c4-37bd 1461 a02d?mode=SETTINGS (дата обращения: 27.11.2020)
4. Модель «Trains». - Режим доступа: https://cloud.anylogic.com/model/648997b4-4c2c-4211-9e32-d7a9cf9c3934?mode=SETTINGS (дата обращения: 27.11.2020)
5. Модель «Airport Shuttle Train». - Режим доступа: https://cloud.anylogic.com/ model/5fb2edc9-3878-44f3-9a3f-b99812797e38?mode=SETTINGS (дата обращения: 27.11.2020)
6. Модель «Last Mile Route Planning» - Режим доступа: https://cloud.anylogic.com/ model/ 1c14ff15-2c2f-4bcd-a51d-a0d584cc56a8?mode=SETTINGS (дата обращения: 27.11.2020)
7. Модель «Proizvodstvo». - Режим доступа: https://cloud.anylogic.com/ model/b8b075bc-5e71-4c14-a576-2627a889a1bf?mode=SETTINGS (дата обращения: 27.11.2020)
8. Модель «Job Shop». - Режим доступа: https://cloud.anylogic.com/model/ 3e111e95-aa2e-4e88-9627-63811c8270d3?mode=SETTINGS (дата обращения: 27.11.2020)
9. Модель «Optimization tool for courier delivery. - Режим доступа: https://cloud.anylogic.com/model/56eca5f5-aace-4a75-a0d2-2c1075f323aa?mode=SETTINGS (дата обращения: 27.11.2020)
10.Модель «TransSec V2P Evacuation Demo». - Режим доступа: https://cloud.anylogic.com/model/41754ae9-0c08-4951-b856-180bc8175784?mode=SETTINGS (дата обращения: 27.11.2020).
DOI: 10.37614/2307-5252.2020.8.11.005 УДК 004.942, 62-97/-98
А.Г. Олейник1, В.В. Бирюков2, Р.М. Никитин2
1 Институт информатики и математического моделирования ФИЦ КНЦ РАН
2 Горный институт ФИЦ КНЦ РАН
ФОРМАЛЬНОЕ ОПРЕДЕЛЕНИЕ ЭЛЕМЕНТОВ ТЕХНОЛОГИЧЕСКОЙ СХЕМЫ ОБОГАЩЕНИЯ НА ОСНОВЕ АНАЛИЗА СВОЙСТВ ПЕРЕРАБАТЫВАЕМОГО СЫРЬЯ*
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-07-00359-а. Аннотация
В статье предложен вариант формального решения задачи определения методов и аппаратов для синтеза технологических схем обогащения минеральных полезных ископаемых. Решение основывается на сравнительном анализе свойств перерабатываемого сырья и характеристик разделительного оборудования. При этом учитывается зависимость свойств и характеристик от крупности частиц перерабатываемого массопотока. Рассмотрены варианты решения для случаев обогащения простых и комплексных руд. Приведены необходимые сведения из области обогащения минерального сырья. Подчеркнута актуальность повышение эффективности природно-промышленных комплексов, осуществляющих добычу и переработку минерально-сырьевых ресурсов, в Арктической зоне Российской Федерации.
Ключевые слова:
синтез технологической схемы, обогащение руд, обогатительное оборудование, нормировка свойств, сравнительный анализ, постоянные и динамические ограничения.
