सागरी बंदर कोंडीचे अनुकूलन
बंदरे अनेकदा 'आधी येणाऱ्याला प्राधान्य' (first-come-first-served) या साध्या नियमांचा वापर करतात. हवामान बदलले किंवा उपकरणे खराब झाली की हे नियम अपयशी ठरतात. ते विलंबामुळे होणाऱ्या मोठ्या खर्चाचा विचार करत नाहीत.
हे सोडवण्यासाठी मी AnchorFlow-AI तयार केले आहे. हे एक Python सिम्युलेशन इंजिन आहे. हे बर्थ्स (berths), पायलट आणि टगबोट्सचे व्यवस्थापन करण्यासाठी मल्टी-एजंट सिस्टमचा वापर करते.
ही सिस्टम Prompt-Agent-Skill डिझाइन वापरते. हे जटिल कामांचे लहान, पुन्हा वापरण्यायोग्य ब्लॉक्समध्ये विभाजन करते:
- Triage Agent: विलंब खर्च आणि प्रतीक्षा वेळेनुसार रांगेचे वर्गीकरण करते.
- Berth Allocator: जहाजांचा आकार आणि खोलीच्या आधारावर त्यांना डॉक्सशी (docks) जुळवते.
- Transit Agent: पायलट आणि टग्स तयार आहेत की नाही हे तपासते.
- Operations Coordinator: संपूर्ण प्रक्रियेचे व्यवस्थापन करते आणि व्यत्यय हाताळते.
मी एका मानक शेड्यूलिंग मॉडेलच्या विरुद्ध याची चाचणी घेतली. सिस्टम कशी प्रतिक्रिया देते हे पाहण्यासाठी मी त्यात यादृच्छिक वादळे आणि यांत्रिक बिघाड समाविष्ट केले.
निकाल:
- जहाजांच्या प्रतीक्षा वेळेत १६.४% घट झाली.
- डेमरेज (Demurrage) खर्चात $४८०,००० USD पेक्षा जास्त घट झाली.
- सिस्टम बंदरमधील व्यत्ययांतून वेगाने सावरते.
हा प्रकल्प दर्शवतो की इंटेलिजेंट एजंट्स स्थिर नियमांपेक्षा लॉजिस्टिक्सचे अधिक चांगल्या प्रकारे व्यवस्थापन करू शकतात. हे साध्या नियोजनाकडून सक्रिय ऑर्केस्ट्रेशनकडे (active orchestration) नेते.
तुम्ही हे सिम्युलेशन तुमच्या लॅपटॉपवर Python वापरून स्थानिकरित्या (locally) चालवू शकता.
पर्यायी लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi