Deniz Limanı Yoğunluğunu Optimize Etmek
Limanlar genellikle basit "ilk gelen ilk hizmet alır" kurallarını kullanır. Bu kurallar hava durumu değiştiğinde veya ekipman arızalandığında yetersiz kalır. Yüksek gecikme maliyetlerini hesaba katmazlar.
Bunu çözmek için AnchorFlow-AI'yı geliştirdim. Bu, bir Python simülasyon motorudur. Rıhtımları, kılavuz kaptanları ve römorkörleri yönetmek için çoklu ajan (multi-agent) sistemi kullanır.
Sistem, Prompt-Agent-Skill tasarımını kullanır. Bu, karmaşık görevleri küçük, yeniden kullanılabilir bloklara ayırır:
- Triage Agent: Kuyruğu gecikme maliyeti ve bekleme süresine göre sıralar.
- Berth Allocator: Gemileri boyut ve derinliğe göre rıhtımlarla eşleştirir.
- Transit Agent: Kılavuz kaptanların ve römorkörlerin hazır olup olmadığını kontrol eder.
- Operations Coordinator: Tüm süreci yönetir ve aksaklıkları giderir.
Bunu standart bir çizelgeleme modeline karşı test ettim. Sistemin nasıl tepki verdiğini görmek için rastgele fırtınalar ve mekanik arızalar ekledim.
Sonuçlar:
- Gemi bekleme süreleri %16,4 oranında düştü.
- Demoraj maliyetleri 480.000 USD'nin üzerinde azaldı.
- Sistem, liman aksaklıklarından sonra hızla toparlanıyor.
Bu proje, akıllı ajanların lojistiği statik kurallardan daha iyi nasıl yönetebileceğini gösteriyor. Basit planlamadan aktif orkestrasyona geçiş sağlıyor.
Bu simülasyonu Python kullanarak dizüstü bilgisayarınızda yerel olarak çalıştırabilirsiniz.
İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi