Помогает имитировать системы с несколькими кранами (например, металлургические заводы, морские порты и т.д.). Включает в себя инструменты для установки приоритетов задач, обслуживания и разбивки.

Совместим с Machine Learning Connector.

Основные цели / Ключевые особенности

Multiple Crane Library предназначена для моделирования нескольких мостовых кранов. Это помогает:

• моделировать взаимодействие нескольких кранов, которые имеют общие рельсы;
• моделировать обслуживание крана и поломки;
• выбрать лучший набор приоритетов работы крана для вашей производственной системы;
• увеличить скорость разработки модели.

Советы по использованию

Для реализации Multiple Crane Library в проекте вам необходимо:

1. создать рельсы, определить зону, где могут двигаться краны (ось X), указать количество кранов;
2. задать размеры кранов, допуск по досягаемости и «домашние местоположения» для кранов;
3. задать продолжительность работы кранов (зафиксировать, поднять, опустить);
4. определить набор операций (имя, точка A, точка B, приоритет);
5. установить свойства для разбивок (виды разбивок, ставки, длительности);
6. установить график обслуживания (конечные пользователи могут изменить его в Excel).

Условия покупки

1. Бессрочная лицензия для библиотеки с возможностью использования в нескольких проектах.
2. Техническая поддержка: вы получаете обновления и техническую поддержку.

Примечание: адаптированная версия библиотеки может быть разработана в соответствии с принципами T&M.

Где можно использовать

• морские порты;
• металлургические заводы;
• логистические центры;
• контейнерные терминалы.

Помогает моделировать движение поездов с помощью манёвров и автоматически избегать препятствий (других вагонов, поездов). Также позволяет устанавливать ограничения скорости для каждого железнодорожного пути.

Основные цели / Ключевые особенности

• автоматический и эффективный расчёт маневров для данной точки в пределах одной железнодорожной сети;
• возможность вручную или автоматически выбирать смещение траекторий во время маневрирования или в конце пути;
• возможность регулировки скорости поезда на каждом из заданных путей (уже после отправки поезда).

Как это работает

Библиотека основана на принципе оптимизированных циклов.

На этапе планирования маршрута проводятся проверки для определения наличия пути A -> B.

Если такой путь существует, алгоритм выбирает кратчайший путь в соответствии с минимально возможным количеством маневров и пройденным расстоянием.

Когда подготовка маршрута завершена, поезд начинает движение в соответствии с заранее подготовленными параметрами (скорость по умолчанию, отступ и т. д.).

Если маршрут невозможен (например: длина поезда не позволяет маневрировать по единственному существующему кратчайшему пути, чтобы добраться до конечного пункта назначения) — блок «TrainMove» выдаст ошибку, сообщающую, что перемещение невозможно и выделит «проблемные»пути.

Кейсы использования

• решение для большого железнодорожного потока — способ доступа к складам и промышленным активам для поездов;
• междугородняя логистика;
• диспетчеризация конкретных проблем железнодорожных узлов.

Помогает реализовать политики машинного обучения (ML) внутри моделей AnyLogic (WEKA, DL4G).

Основные цели / Ключевые особенности

Библиотека обеспечивает подключение различных алгоритмов искусственного интеллекта (AI) к модели одним простым действием. В зависимости от требований, можно интегрировать в модель алгоритмы поиска шаблонов, машинного обучения и нейронных сетей.

Использование алгоритмов искусственного интеллекта на практике является преимуществом, позволяющим достичь недостижимой ранее скорости и точности обработки данных.

Machine Learning Connector — это мост между наиболее популярными алгоритмами искусственного интеллекта и программным продуктом AnyLogic.

Характеристики Machine Learning Connector

Классификаторы
Классификатор — основанный на обучающем образце, он составляет алгоритм, который позволяет получить произвольный объект из исходного набора.

Нейронные сети
Нейронные сети — это система связанных и взаимодействующих простых условных операторов (нейронов), позволяющая отслеживать сложность и важность поступающей информации.

Линейная регрессия
Линейная регрессия — метод восстановления зависимостей между переменными.

Деревья решений
Деревья решений — способ представления правил в иерархической, согласованной структуре, где каждый объект соответствует одному узлу, предоставляющему решение.

Скрипты Python
Если вышеупомянутых функций недостаточно, можно использовать TensorFlow, Keras и т.д. с помощью Python.

Коннектор для машинного обучения также включает в себя блок, который позволяет полностью выполнять скрипты Python.

Кейсы использования

Случайные сценарии, в которых поток данных может меняться со временем:

• распределение ёмкости вышек сотовой связи;
• рекомендации по оптимальной цене при запуске нового продукта на основе проанализированных данных конкурента;
• решения по управлению энергопотреблением на основе интеллектуального режима работы оборудования;
• прогноз качества готовой продукции на рынке и многое другое.

Упрощает сбор статистики в AnyLogic и помогает подключать внешние BI-системы и визуализировать данные в режиме реального времени.

Основные цели / Ключевые особенности

Data Manager Block позволяет записывать данные из модели в базу данных на любом этапе моделирования, разово или регулярно, с заданной частотой.

Data Manager Block был разработан в соответствии с требованиями для взаимодействия с базами данных из среды разработки Anylogic и имеет адаптированный визуальный интерфейс, который позволяет использовать базы данных даже при недостаточном знании запросов SQL. Ключевой особенностью Data Manager Block является передача результатов на ходу во время процесса имитации. Это обеспечивает анализ выходных данных в реальном времени и, таким образом, решает проблему медленных и заблокированных соединений и позволяет использовать AnyLogic в сочетании с системами BI.