Optimización de la congestión en puertos marítimos
Los puertos suelen utilizar reglas simples de orden de llegada. Estas reglas fallan cuando el clima cambia o el equipo se avería. No tienen en cuenta los altos costes de los retrasos.
Desarrollé AnchorFlow-AI para resolver esto. Es un motor de simulación en Python. Utiliza un sistema multiagente para gestionar atraques, prácticos y remolcadores.
El sistema utiliza un diseño Prompt-Agent-Skill. Esto divide las tareas complejas en bloques pequeños y reutilizables:
- Agente de Triaje: Clasifica la cola según el coste del retraso y el tiempo de espera.
- Asignador de Atraques: Empareja barcos con muelles según su tamaño y profundidad.
- Agente de Tránsito: Comprueba si los prácticos y los remolcadores están listos.
- Coordinador de Operaciones: Gestiona todo el proceso y maneja las interrupciones.
Probé esto frente a un modelo de programación estándar. Añadí tormentas aleatorias y fallos mecánicos para ver cómo reacciona el sistema.
Los resultados:
- Los tiempos de espera de los buques disminuyeron un 16,4%.
- Los costes de demora cayeron en más de 480.000 USD.
- El sistema se recupera rápidamente de las interrupciones portuarias.
Este proyecto muestra cómo los agentes inteligentes pueden gestionar la logística mejor que las reglas estáticas. Pasa de una planificación simple a una orquestación activa.
Puedes ejecutar esta simulación localmente en tu portátil utilizando Python.
Comunidad de aprendizaje opcional: https://t.me/GyaanSetuAi