Optymalizacja zatorów w portach morskich
Porty często stosują proste zasady „kto pierwszy, ten lepszy”. Zasady te zawodzą, gdy zmienia się pogoda lub ulega awarii sprzęt. Nie uwzględniają one również wysokich kosztów opóźnień.
Stworzyłem AnchorFlow-AI, aby rozwiązać ten problem. Jest to silnik symulacyjny w języku Python, który wykorzystuje system wieloagentowy do zarządzania miejscami cumowniczymi, pilotami i holownikami.
System wykorzystuje architekturę Prompt-Agent-Skill. Pozwala ona na rozbicie złożonych zadań na małe, wielokrotnego użytku bloki:
- Agent Triage: Sortuje kolejkę według kosztów opóźnień i czasu oczekiwania.
- Alokator miejsc cumowniczych (Berth Allocator): Dopasowuje statki do doków na podstawie ich rozmiaru i zanurzenia.
- Agent tranzytu: Sprawdza, czy piloci i holowniki są gotowi.
- Koordynator operacyjny: Zarządza całym procesem i radzi sobie z zakłóceniami.
Przetestowałem to rozwiązanie w porównaniu ze standardowym modelem planowania. Dodałem losowe sztormy i awarie mechaniczne, aby sprawdzić, jak system reaguje.
Wyniki:
- Czas oczekiwania jednostek spadł o 16,4%.
- Koszty demurrage spadły o ponad 480 000 USD.
- System szybko regeneruje się po zakłóceniach w porcie.
Projekt ten pokazuje, jak inteligentni agenci mogą lepiej zarządzać logistyką niż statyczne reguły. Przechodzi on od prostego planowania do aktywnej orkiestracji.
Możesz uruchomić tę symulację lokalnie na swoim laptopie, korzystając z języka Python.
Opcjonalna społeczność edukacyjna: https://t.me/GyaanSetuAi