научный журнал «Актуальные исследования» #23 (26), декабрь '20

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

В работе решается задача управления логистическими потоками при реализации технологии сборной загрузки вагона (контейнера) через нейросетевой анализ. Рассмотрено практическое применение глубоких нейронных сетей. На основе развития этого метода предлагается новая методика оптимизации управления загрузки вагона (контейнера).

Аннотация статьи
многокритериальная оптимизация
интегрированная цепь поставок
нейросетевые технологии
сборная загрузка
Ключевые слова

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 хn-мерный вектор-столбец, bm-мерный вектор-столбец, cT – 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 xо:

Полученные значения xо заносятся в таблицу.

Таблица

Расчет совместной загрузки вагона разными грузами

Расчетная масса груза

Масса грузового места

Расчетное число мест

Округленное число мест

Объем грузового места

Масса груза в вагоне

Объем груза в вагоне

xi т

Pi т

шт

шт

м3

т

м3

10,374

0,43

24,126

24,000

2,37

10,32

56,88

19,010

0,62

30,662

30,000

1,18

18,60

35,4

22,881

0,78

29,335

29,000

0,57

22,62

16,53

52,265

       

51,54

108,81

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 (Qi, т)

0.43 , 0.62, 0.78 - масса грузового места (Pi , 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.

Текст статьи
  1. Кармак Б.А. Искусственный интеллект решил проблему, с которой ученые не могли справиться полвека [Электронный ресурс], URL: www.ferra.ru (дата обращения 5.12.2020).
  2. Пашков Н.Н. Алгебраический метод решения линейной многокритериальной задачи / Современные технологии. Системный анализ. Моделирование. – 2014, № 1(41). [Электронный ресурс], URL: http://globalf5.com/Zhurnaly/Selskoe-lesnoe-i/Sovremennie-texnologii-Sistemny-analiz-Modelirovanie/vypusk-2014-1(41).
  3. Кузина Е.А., Сизинцев А.С., Пашков Н.Н. Нейросетевой XYZ анализ многономенклатурных грузов /Актуальные исследования // Международный научный журнал. – 2020. № 15 (18). С. 28-34. [Электронный ресурс], URL: https://www.elibrary.ru/item.asp?id=43810558.
  4. Кузина Е.А., Сизинцев А.С., Пашков Н.Н. Двухкритериальная оптимизация многономенклатурных запасов / Международный научный журнал. – 2020, № 3 (6). С. 19-29. [Электронный ресурс], URL: https://www.elibrary.ru/item.asp?id=42516809
Список литературы
Ведется прием статей
Прием материалов
c 11 сентября по 17 сентября
Сегодня — последний день приема
Публикация электронной версии статьи происходит сразу после оплаты
Справка о публикации
сразу после оплаты
Размещение электронной версии журнала
21 сентября
Загрузка в eLibrary
21 сентября
Рассылка печатных экземпляров
29 сентября