Библиотеки для AnyLogic

Библиотеки балочных кранов, железной дороги и коннектор для машинного обучения. Блок для совместного использования AL и BI.

Библиотеки для AnyLogic: инструменты для удобной и быстрой работы

Необходимость в подобных библиотеках возникла при реализации ряда проектов для крупных транспортных, металлургических и других предприятий. В случае их отсутствия сроки реализации проектов были бы значительно увеличены, предлагаемые решения могли бы оказаться довольно сырыми, а в некоторых случаях вообще не найдены.
Все эти аспекты побудили нас создать собственные библиотеки для платформы AnyLogic, чтобы предоставить нашим партнёрам и клиентам возможность эффективно решать свои задачи.

Преимущества библиотек для AnyLogic от NFP

Все библиотеки совместимы друг с другом

Сокращение времени проекта

Простота использования

Machine Learning Connector (MLC)

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.

Функционал 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

Коннектор для машинного обучения также включает в себя блок, который позволяет полностью выполнять скрипты Python и использовать TensorFlow, Keras и т.д.

Кейсы использования

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

Data Manager Block (DMB)

Основные цели / Ключевые особенности

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

Графики Data Manager Block (DMB)

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.

Train Movement Extension

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)

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

Train Movement Extension

Основные цели / Ключевые особенности

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.

Моделирование взаимодействия нескольких кранов, которые имеют общие рельсы
Моделирование обслуживания крана и поломки
Выбор лучшего набора приоритетов работы крана для вашей производственной системы
Увеличение скорости разработки модели