Управление цепочками поставок с использованием мультиагентных технологий

Описывается новый подход к управлению цепочками поставок на основе мультиагентных технологий и онтологии, позволяющий справиться с возрастающей сложностью задач планирования в условиях быстро меняющейся конъюнктуры рынка, колебаний спроса и предложения, различных сбоев и непредвиденных событий в цепях поставок. Предлагается метод виртуального "'круглого" стола для поддержки принятия решений при планировании цепочек поставок, а также метод адаптивного динамического планирования расписаний поставок по событиям, основанный на мультиагентной технологии с использованием онтологии. Разработана концепция виртуального "круглого" стола и регламент согласования решений на всех этапах цепи поставок продукции с включением в этот процесс всех заинтересованных участников. Выделены основные компоненты клиент-серверной архитектуры мультиагентной системы управления цепочками поставок. Обосновано решение использовать онтологии для описания концептуальных знаний, необходимых для управления цепочками поставок. Разработанные модели и методы планирования по отдельным заказам и по прогнозу спроса на любой горизонт и с любой детализацией обеспечивают адаптивное динамическое планирование поставок в реальном времени. Проведенные исследования и моделирование показывают, что переход к планированию и управлению в реальном времени позволит повысить прибыль компании за счет более быстрой адаптации к изменяющимся условиям.

цепочки поставок, мультиагентная технология, онтология, реальное время, виртуальный "'круглый" стол, адаптивность, планирование, supply chain, multi-agent technology, ontology, real-time, virtual "roundtable", adaptability, scheduling

1. Бурков В. Н. и др. Механизмы управления. Управление организацией: планирование, организация, стимулирование, контроль. М.: ЛЕНАНД, 2013. 215 с.

2. Dynamic modeling and control of supply chain systems: A review // Computers & Operations Research. 2008. Vol. 35, Iss. 11. P. 3530-3561.

3. Rzevski G., Skobelev P. Managing Complexity. Southampton, UK, WIT Press, 2014. 202 c.

4. Leung J. Handbook of Scheduling: Algorithms, Models and Performance Analysis // CRC Computer and Information Science Series, London: Chapman and Hall / CRC, 2004. 1216 p.

5. Leitao P., Vrba P. Recent Developments and Future Trends of Industrial Agents // Proc. of 5th Int. Conf. on Holonic and Multi-Agent systems in Manufacturing (HoloMAS 2011), France, Tolouse, 2011. Springer, Berlin. P. 15-28.

6. Yann Chevaleyre at al. Issues in Multiagent Resource Allocation // Informatica. 2006. Vol. 30. P. 3-31.

7. Мирошник И. В., Никифоров В. О., Фрадков А. Л. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000. 549 с.

8. Pinedo M. Scheduling: Theory, Algorithms, and Systems. Springer, 2008. 664 p.

9. Malti Baghel, Shikha Agrawal and Sanjay Silakari. Survey of Metaheuristic Algorithms for Combinatorial Optimization // Int. Journal of Computer Applications. 2012. Vol. 58, N. 19. P. 21-31.

10. Davis R., Burns A. A survey of hard real-time scheduling for multiprocessor systems // ACM Comput. Surv., 2011. Vol. 43, N. 4, article 35.DOI= 10.1145/1978802.1978814.

11. Barsanti L., Sodan A. Adaptive Job Scheduling Via Predictive Job Resource Allocation // Job Scheduling Strategies for Parallel Processing. Springer: Lecture Notes in Computer Science. 2007. Vol. 4376. P. 115-140.

12. Madsen В., Rzevski G., Skobelev P., Tsarev A. Real-time multi-agent forecasting & replenishment solution for LEGOs branded retail outlets // Proc. of 13th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel / Distributed Computing (SNPD 2012), August 8-10, 2012, Kyoto, Japan. Springer, 2012. P. 451-456.