సముద్ర రేవు రద్దీని క్రమబద్ధీకరించడం
రేవులు తరచుగా 'ముందు వచ్చిన వారికి మొదటి ప్రాధాన్యత' (first-come-first-served) అనే సాధారణ నియమాలను ఉపయోగిస్తాయి. వాతావరణం మారినప్పుడు లేదా పరికరాలు పాడైనప్పుడు ఈ నియమాలు విఫలమవుతాయి. ఇవి ఆలస్యానికి అయ్యే అధిక ఖర్చులను పరిగణనలోకి తీసుకోవు.
దీనిని పరిష్కరించడానికి నేను AnchorFlow-AIని రూపొందించాను. ఇది ఒక Python simulation engine. ఇది berths, pilots మరియు tugboats నిర్వహించడానికి ఒక multi-agent systemను ఉపయోగిస్తుంది.
ఈ సిస్టమ్ Prompt-Agent-Skill డిజైన్ను ఉపయోగిస్తుంది. ఇది సంక్లిష్టమైన పనులను చిన్న, తిరిగి ఉపయోగించదగిన బ్లాక్లుగా విభజిస్తుంది:
- Triage Agent: ఆలస్య ఖర్చు మరియు వేచి ఉండే సమయం ఆధారంగా క్యూను క్రమబద్ధీకరిస్తుంది.
- Berth Allocator: ఓడల పరిమాణం మరియు లోతు ఆధారంగా వాటిని docksకు అనుసంధానిస్తుంది.
- Transit Agent: pilots మరియు tugs సిద్ధంగా ఉన్నాయో లేదో తనిఖీ చేస్తుంది.
- Operations Coordinator: మొత్తం ప్రక్రియను నిర్వహిస్తుంది మరియు అంతరాయాలను ఎదుర్కొంటుంది.
నేను దీనిని ఒక ప్రామాణిక షెడ్యూలింగ్ మోడల్తో పోల్చి పరీక్షించాను. సిస్టమ్ ఎలా స్పందిస్తుందో చూడటానికి నేను యాదృచ్ఛిక తుఫానులు మరియు యాంత్రిక వైఫల్యాలను జోడించాను.
ఫలితాలు:
- ఓడలు వేచి ఉండే సమయం 16.4% తగ్గింది.
- Demurrage ఖర్చులు $480,000 USD కంటే ఎక్కువగా తగ్గాయి.
- రేవు అంతరాయాల నుండి ఈ సిస్టమ్ వేగంగా కోలుకుంటుంది.
స్థిరమైన నియమాల కంటే తెలివైన ఏజెంట్లు లాజిస్టిక్స్ను ఎలా మెరుగ్గా నిర్వహించగలరో ఈ ప్రాజెక్ట్ చూపుతుంది. ఇది సాధారణ ప్రణాళిక నుండి active orchestration వైపు మారుతుంది.
మీరు ఈ సిమ్యులేషన్ను Python ఉపయోగించి మీ ల్యాప్టాప్లో లోకల్గా రన్ చేయవచ్చు.
Optional learning community: https://t.me/GyaanSetuAi