Главная

Логистический инжиниринг

Уровень логистических расходов в производственном комплексе в России — один из самых высоких в мире. Согласно исследованию BCG, внутренние и внешние затраты на логистику достигают 19% ВВП.

Cуществуют разные подходы для оптимизации логистических ресурсов и минимизации издержек, которые базируются на подборе определенной эвристики, имитирующей действия специалиста. Но они не всегда дают оптимальное решение и зачастую неприменимы, когда необходимо учитывать большое количество динамически изменяюзихся параметров.

Наша компания проводит исследования в направлении автоматизации логистического инжиниринга и разрабатывает алгоритмы на базе машинного обучения, в частности обучения с подкреплением, которые позволяют найти оптимальное решение логистической задачи.

Уровень логистических расходов в производственном комплексе в России — один из самых высоких в мире. Согласно исследованию BCG, внутренние и внешние затраты на логистику достигают 19% ВВП.

Cуществуют разные подходы для оптимизации логистических ресурсов и минимизации издержек, которые базируются на подборе определенной эвристики, имитирующей действия специалиста. Но они не всегда дают оптимальное решение и зачастую неприменимы, когда необходимо учитывать большое количество динамически изменяюзихся параметров.

Наша компания проводит исследования в направлении автоматизации логистического инжиниринга и разрабатывает алгоритмы на базе машинного обучения, в частности обучения с подкреплением, которые позволяют найти оптимальное решение логистической задачи.

Исследуемые задачи

Концептуальное проектирование логистической стратегии:

  • Определение элементов логистических схем;
  • Расчет параметров логистической сети;
  • Построение матрицы логистических вариантов;
  • Оценка и ранжирование вариантов логистической стратегии;
  • Разработка модели доставки грузов.

Минимизация стоимости хранения грузов:

  • Оценка потребности конечных логистических узлов;
  • Оценка пропускной способности промежуточных узлов;
  • Планирование логистической сети с учетом складской мощности узлов;
  • Минимизация сроков хранения грузов на промежуточных узлах цепи.

Минимизация стоимости доставки грузов:

  • Расчет грузопотока в динамике;
  • Формирование вариантов логистических схем доставки;
  • Расчет стоимости доставки;
  • Ранжирование вариантов по критериям стоимости и выбор оптимального варианта.

Почему это важно?

  • Ручное формирование логистической стратегии крупной промышленной компании неэффективно из-за необходимости учета большого числа узлов и параметров логистической цепи;
  • Появление новых элементов логистической цепи требует постоянного пересмотра стратегии доставки грузов;
  • Изменение параметров логистической цепи требует динамической переоценки маршрутов доставки грузов и выбора новой оптимальной логистической стратегии;
  • Действующие алгоритмы формирования логистической стратегии не позволяют эффективно работать с большим объемом данных, необходимо применять новые технологии, в том числе машинное обучение.

Решения

Logistics

Logistics

подробнее

Программная платформа для автоматического нахождения оптимального логистического варианта транспортировки ресурсов. Разработанные в системе алгоритмы позволяют уменьшить себестоимость доставки ресурсов за счет оптимизации логистической сети.
Logistics

Logistics

подробнее

Программная платформа для автоматического нахождения оптимального логистического варианта транспортировки ресурсов. Разработанные в системе алгоритмы позволяют уменьшить себестоимость доставки ресурсов за счет оптимизации логистической сети.

Мнение эксперта

Важной частью решения задачи построения оптимальных планов капитального строительства является определение логистических цепочек, включающих как транспортную, так и складскую логистические задачи. Причем необходимо решать эти задачи таким образом, чтобы выполнялись нормативные сроки доставки при минимальной общей стоимости. Существует много подходов к решению данной задачи, но у всех есть как положительные, так и отрицательные стороны.

В научной лаборатории разрабатываются альтернативные алгоритмы на базе машинного обучения, в частности обучения с подкреплением. Этот класс алгоритмов позволяет создавать самообучающиеся системы, которые используются при создании слабого искусственного интеллекта для решения таких задач, как создание системы управления беспилотными автомобилями, чат-ботов, ботов для управления персонажами в компьютерных играх. Такой же подход может быть использован и для решения задач логистики, когда мы обучаем алгоритм применять оптимальные и верные решения для минимизации целевой функции общей стоимости логистики при проектировании месторождения.

— Виталий Быков, системный аналитик

Партнеры

Возобнов­ляемые источники энергии
Геоинформа­ционные системы