𝗢𝗽𝘁𝗶𝗺𝗶𝘇𝗶𝗻𝗴 𝗠𝗮𝗿𝗶𝘁𝗶𝗺𝗲 𝗣𝗼𝗿𝘁 𝗖𝗼𝗻𝗴𝗲𝘀𝘁𝗶𝗼𝗻
Các cảng thường sử dụng các quy tắc "đến trước phục vụ trước" đơn giản. Những quy tắc này thường thất bại khi thời tiết thay đổi hoặc thiết bị gặp sự cố. Chúng không tính đến các chi phí chậm trễ cao.
Tôi đã xây dựng AnchorFlow-AI để giải quyết vấn đề này. Đây là một công cụ mô phỏng bằng Python. Nó sử dụng hệ thống đa tác nhân (multi-agent system) để quản lý bến đậu, hoa tiêu và tàu kéo.
Hệ thống sử dụng thiết kế Prompt-Agent-Skill. Thiết kế này chia nhỏ các tác vụ phức tạp thành các khối nhỏ có thể tái sử dụng:
- Triage Agent (Tác nhân phân loại): Sắp xếp hàng đợi dựa trên chi phí chậm trễ và thời gian chờ.
- Berth Allocator (Tác nhân phân bổ bến): Ghép nối tàu với các cầu cảng dựa trên kích thước và độ sâu.
- Transit Agent (Tác nhân quá cảnh): Kiểm tra xem hoa tiêu và tàu kéo đã sẵn sàng chưa.
- Operations Coordinator (Tác nhân điều phối vận hành): Quản lý toàn bộ quy trình và xử lý các gián đoạn.
Tôi đã thử nghiệm hệ thống này so với một mô hình lập lịch tiêu chuẩn. Tôi đã thêm các cơn bão ngẫu nhiên và các lỗi hỏng hóc cơ khí để xem hệ thống phản ứng như thế nào.
Kết quả:
- Thời gian chờ của tàu giảm 16,4%.
- Chi phí lưu bãi (demurrage) giảm hơn 480.000 USD.
- Hệ thống phục hồi nhanh chóng sau các gián đoạn tại cảng.
Dự án này cho thấy các tác nhân thông minh có thể xử lý logistics tốt hơn các quy tắc tĩnh. Nó chuyển đổi từ việc lập kế hoạch đơn giản sang điều phối chủ động.
Bạn có thể chạy mô phỏng này cục bộ trên máy tính xách tay của mình bằng Python.
Cộng đồng học tập tùy chọn: https://t.me/GyaanSetuAi