Анализ эффективности применения мультиагентной системы управления региональными перевозками в реальном времени

1-Учреждение Российской академии наук Институт проблем управления сложными системами РАН, г. Самара,
[email protected]

2-Научно-производственная компания «Разумные решения», г. Самара,
[email protected]

В докладе представлены результаты анализа эффективности первого этапа внедрения мультиагентной [1] системы управления региональными перевозками для крупного транспортного перевозчика, базирующегося в Москве.

Компания осуществляет межрегиональные перевозки по схеме FTL (Full Truck Load). В день приходит 60-80 заявок, от постоянных клиентов – около 40. Используется 102 своих грузовиков и привлекается до 4000 сторонних, когда ресурсов не хватает или выгоднее использовать внешних. В основном перевозятся грузы хозяйственных магазинов. Основные направления транспортировок: Москва-Санкт-Петербург; Москва-Нижний Новгород; Москва-Волгоград; Москва-Екатеринбург. Причем только 40% всех заявок перевозится собственным флотом, остальные уходят на привлеченный флот. Средний «кругорейс»-количество выполненных «за раз» заявок между выездом и возвращением на базу по собственным машинам составляет около 3-4х заявок, компания придерживается стратегии коротких рейсов, чтобы как можно быстрее вернуть машину в Москву, где ее всегда ждет выгодный заказ, который и приносит львиную долю дохода.

В ходе внедрения у заказчика сначала была установлена базовая версия системы, разработанная на мультиагентной платформе планирования грузовиков с полной загрузкой (FTL) [2]. Но в ходе проекта была разработана специализированная версия системы, которая допускает как автоматическое планирование грузов, так и ручную корректировку назначений и планов работы грузовиков.

Анализ результатов автоматического планирования и ручной корректировки планов диспетчерами в «боевых» условиях позволил выявить следующие новые возможности для улучшения создаваемых расписаний, отражающие важные особенности бизнеса данной транспортной компании. В частности, в системе были доработаны следующие особенности логики планирования своего флота, которую диспетчеры применяли на практике:

· Учет затрат на возможный возврат на базу порожним при принятии решения о назначениях грузовика. Используется как основа для сравнения с другими вариантами, на первую перевозку в «кругорейсе» предпочтение отдается самой выгодной заявке, окупающей затраты на дорогу туда и обратно.

· «Притяжение» к базе. Используется при сравнении вариантов после выполнения первой заявки в «кругорейсе». Преимущество получают заявки, приближающие к базе, нежели отдаляющие от нее. Причем, для разных грузовиков могут быть установлены разные точки базирования, например грузовики, дислоцированные в Москве, будут стремиться вернуться в Москву, в то время как региональные грузовики, стремятся вернуться в свой регион.

· Учет вероятности возникновения предполагаемых заявок в близи места разгрузки текущей заявки. Предпочтительнее выбирать заявки, которые имеют стабильную вероятность следующей загрузки, вероятности изначально проставляются диспетчерами в основных городах исходя из их опыта, в дальнейшем система может автоматически их корректировать по мере накопления данных.

В работе представлены результаты исследований качества и эффективности построения расписаний с учетом выполненных доработок, показывающих сокращение числа ручных перепланирований в системе и изменение среднего времени планирования заказа.

Кроме того, по договоренности с заказчиком был разработан вариант системы с более «агрессивным» планированием, при котором расчетная прибыль может иногда до 2 раз превышать фактическую прибыль, рассчитанную по установленному диспетчером варианту.

В настоящее время в числе основных причин расхождения плана и факта можно выделить следующие:

1. Водитель, предложенный системой, не успевает доехать за расчетное время, виду задержек в пути, поэтому выбирается менее выгодный экспедиционный грузовик (третий флот), что сильно снижает общую расчетную прибыль, по причинам:

· слишком "быстрое" планирование на длинные дистанции (сейчас система может запланировать заявку с большим пробегом, например более 1000 км со средней скоростью 50км/ч, реально водитель не сможет проехать такое расстояние без остановок);

· если до этого водитель уже выполнил много рейсов, он не поедет на следующий без нескольких дней отдыха и диспетчер его в этом "прикроет";

· часты случаи поломок в пути, отпусков водителей и других исключительных ситуаций в середине рейса, что вызывает непредвиденную смену ресурса в процессе выполнения заявки, пока автоматически система этого не поддерживает, поэтому такие заявки переназначаются вручную;

· вести экспедицией часто выгоднее, чем своим флотом, поэтому менеджеры по работе с экспедицией забирают, запланированные системой «на своих» заявки, меняя их на экспедицию.

2. Также большой процент перемен грузовиков происходит ввиду того, что сейчас система планирует автоматически только свой флот и не учитывает экспедиционные ресурсы, которыми реально осуществляется большая часть перевозок, т.к. количество поступающих заказов значительно превосходит количество собственных грузовиков компании.

В этой связи начаты разработки по поддержке планирования на чужой флот, по ранее выполненным им заявкам (система будет знать, где заканчивается чужой рейс), и тогда чужой грузовик начинает временно рассматриваться как «свой», и стирается грань между своим и чужим флотом, что позволяет на практике реализовать принципы современной экономики реального времени, фактически, принципы shared networks, когда несколько компаний (заказчик и его подрядчики) синергетически объединяют свои ресурсы с дополнительной выгодой для каждого за счет такой кооперации.

Можно утверждать, что метод слежения за действиями диспетчеров с анализом расхождений предлагаемых системой и диспетчерами решений, позволяет значительно быстрее выявить многие ранее «скрытые» аспекты логики принятия решений диспетчерами, плохо формализуемым на этапе подготовки технического задания.

Предполагается, что данные разработки позволят существенно улучшить качество принимаемых системой решений.

1. Скобелев П.О. Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской научной школы мультиагентных систем // Мехатроника, автоматизация, управление – 2010, №12.

2. Diyazitdinova A., Ivashenko A, Skobelev P., Tsarev A., Martyshkin D., Syusin I. Multi-Agent Platform for Full Truck Load Scheduling // Interactive Systems and Technologies: The problems of Human-Computer Interaction. Volume III. – Collection of scientific papers. – Ulyanovsk: UlSTU, 2009. – pp 132 – 143.