해상 항만 혼잡 최적화
항만은 종종 단순한 선착순 규칙을 사용합니다. 이러한 규칙은 기상 변화나 장비 고장이 발생할 경우 제대로 작동하지 않습니다. 또한 높은 지연 비용을 고려하지 못합니다.
저는 이를 해결하기 위해 AnchorFlow-AI를 구축했습니다. 이는 Python 시뮬레이션 엔진으로, 멀티 에이전트 시스템을 사용하여 선석, 도선사, 예인선을 관리합니다.
이 시스템은 Prompt-Agent-Skill 설계를 사용합니다. 이를 통해 복잡한 작업을 작고 재사용 가능한 블록으로 나눕니다.
- 트리아지 에이전트(Triage Agent): 지연 비용과 대기 시간을 기준으로 대기열을 분류합니다.
- 선석 할당 에이전트(Berth Allocator): 선박의 크기와 수심을 바탕으로 선박과 선석을 매칭합니다.
- 통항 에이전트(Transit Agent): 도선사와 예인선의 준비 상태를 확인합니다.
- 운영 코디네이터(Operations Coordinator): 전체 프로세스를 관리하고 중단 상황을 처리합니다.
저는 이를 표준 스케줄링 모델과 비교 테스트했습니다. 시스템이 어떻게 반응하는지 확인하기 위해 무작위 폭풍과 기계적 결함을 추가했습니다.
결과:
- 선박 대기 시간이 16.4% 감소했습니다.
- 체선료(Demurrage costs)가 480,000달러 USD 이상 절감되었습니다.
- 시스템이 항만 중단 상황에서 빠르게 회복합니다.
이 프로젝트는 지능형 에이전트가 정적인 규칙보다 물류를 어떻게 더 잘 처리할 수 있는지 보여줍니다. 단순한 계획에서 능동적인 오케스트레이션으로 진화한 것입니다.
Python을 사용하여 노트북에서 이 시뮬레이션을 로컬로 실행할 수 있습니다.
학습 커뮤니티(선택 사항): https://t.me/GyaanSetuAi