Совместная загрузка вагонов (контейнера) грузами разных видов при помощи нейроклассификатора

Первые предпосылки нейросетей появились в середине XX века. Их развитие и внедрение в существующие технологии демонстрирует нарастающее число публикаций. На данный момент с помощью нейросетей можно решать различные задачи классификации, распознавания и прогнозирования.

В последние месяцы научным прорывом послужил искусственный интеллект от DeepMind, который решил научную проблему, над которой учёные бились полвека – за пару дней алгоритм впервые позволил спрогнозировать сворачивание белка с точностью до атома. Решение проблемы имело ключевое значение для понимания биологических основ жизни, и разработчики уже назвали это знаменательным моментом для всей отрасли - ИИ наконец-то становятся достаточно развитыми, чтобы решать действительно сложные научные проблемы [1].

В транспортной отрасли существует множество ежесуточно повторяемых вычислительных задач оперативного планирования, которые необходимо решать с помощью высококвалифицированных сотрудников. Такие операции необходимо автоматизировать с целью снижения трудоемкости.

Для решения задачи автоматизации работы логиста авторами разработан специализированный нейро-классификатор, выполняющий оперативный расчет необходимого количества вагонов (или контейнеров) с грузами разной объемной массы, допускаемых к совместной перевозке, учетом ограничений по вместимости и грузоподъемности подвижного состава.

Рис. Схема используемой нейронной сети общем виде

Используемые входные данные при загрузке одним типоразмером груза (примеры для обучения нейросети):

• длина грузового места, м
• высота грузового места, м
• ширина грузового места, м
• объем одного грузового места, м³
• вес грузового места, кг
• общее количество груза, т
• объем груза, м³
• удельная масса, т/м³
• число мест в контейнере по массе и по объему
• тип контейнера (в данном случае 20' dv)
• длина, м
• высота, м
• ширина, м
• максимальная норма загрузки, кг

Раздельная загрузка грузами разной объемной массы составляет 16 вагонов. Рассмотрим решение задачи оптимальной загрузки сборного вагона. Математическую модель задачи запишем в стандартной форме задач линейного программирования – системы однородных уравнений и неравенств. Для формализованной записи математической модели введем следующие обозначения.

F – скалярная целевая функция;

 – переменные задачи линейного программирования;

 – матрица условий (постоянных технологических или экономических параметров задачи);

 – вектор ограничений (постоянных ограниченных ресурсов задачи);

 – вектор показателей качества (весов переменных в целевой функции задачи).

В принятых обозначениях матричная форма записи задачи линейного программирования формулируется следующим образом.

Для известных матриц постоянных параметров задачи А, b и c требуется найти минимальное значение целевой функции:

    (1)

При ограничениях:

 (2)

где X – множество допустимых решений задачи.

Здесь предполагается совместимость размерностей А, x, b и c. Например, если в А – (m×n)-матрица, то х – n-мерный вектор-столбец, b – m-мерный вектор-столбец, c^T – n-мерный вектор-строка.

Точное аналитическое решение системы уравнений находится методом псевдообратной матрицы [2]. Для рассмотренного выше примера, матрица условий А равна:

Вектор ограничений b равен:

Оптимальное решение находится по формуле:

    (3)

где

Решая уравнение (3), вычислим оптимальное значение вектора x_о:

Полученные значения x_о заносятся в таблицу.

Таблица

Расчет совместной загрузки вагона разными грузами

По средней массе сборного груза в вагоне, рассчитывается число вагонов при совместной загрузке:

 = =10,58 ≈11 вагонов

Таким образом, совместная загрузка грузов разных типоразмеров позволяет сократить необходимое число вагонов:

 вагонов.

Решение задачи сборной загрузки вагонов и контейнеров в общем случае для n типоразмеров грузов, допускаемых к совместной перевозке, требует значительных вычислительных затрат.

С целью автоматизации расчета числа необходимых вагонов или контейнеров при совместной загрузке грузами разных типоразмеров, был разработан специализированный нейровычислитель [3, 4].

В качестве входных данных в нейро-классификатор [4], необходимо подавать данные массива:

[120, 0.43, 165, 0.62, 278, 0.78]

где: 120, 165, 278 - общий вес груза (Q_i, т)

0.43 , 0.62, 0.78 - масса грузового места (P_i , т)

Результатом работы искусственной нейро-сети служит выходной массив:

[57.657 9.5923]

где: 57.657 – суммарный вес груза в одном контейнере при оптимальной сборной загрузке в тоннах,

9.5923 – число сборных контейнеров.

Количество контейнеров (вагонов) округляется в большую сторону.

Заключение

В данной статье было проведено исследование возможности применения нейросетевых технологий в железнодорожной отрасли транспортной логистики. Результатом послужил высокоточный нейро-классификатор, использующийся для сборной загрузки контейнера. Технология сборной загрузки позволяет снизить количество используемых контейнеров, что косвенно влияет на себестоимость перевозки. Использование данной технологии позволяет минимизировать воздействие «человеческого фактора» и повышает точность оптимизации сборной загрузки вагонов и контейнеров.