Результаты работы модели

В данной модели использовано 6 агентов, 14 параметров, 10 переменных и 6 событий. Полученная модель отвечает всем требованиям транспортной логистики, перечисленным в главе 1, подразделе 1.1. Данная модель доставляет именно требуемый товар, для этого была введена проверка на складах достаточного количества товара, указанного в заказе. Она происходит на объекте Delivery в событии createOrder, описанном в подразделе 3.2. Транспортное средство движется по наиболее оптимальному маршруту, для этого, во-первых, выбирается подходящий грузовик, согласно логики описанной для объекта Order в подразделе 3.2 Во-вторых, в событии createOrder, упомянутом выше, также происходит выбор ближайшего склада с доступным количеством товара, а не произвольного, кроме того после доставки заказа, грузовик возвращается на ближайший склад, что указано в диаграмме событий агента Truck в подразделе 3.2. Из чего следует, что движение его будет совершаться по оптимальному маршруту. Кроме того, он будет доставлен именно в ту точку, откуда поступил заказ. Это условие достигается самой логикой агента Order, хранящего значение места доставки как параметр order_delivery, и с помощью встроенного функционала AnyLogic, способного достаточно точно осуществлять движение по автомобильным дорогам.

В процессе выполнения работы значения параметров изначально устанавливались согласно общей информации касательно бизнес-процессов транспортной компании, после была выполнена калибровка, в ходе которой значения уточнялись, таким образом, чтобы результаты работы модели в целом соответствовали реальным показателям транспортной компании.

Агент Delivery, реализуемый с помощью системной динамики, содержит накопитель People=100 000, что соответствует среднему числу жителей в выбранных городах, функция спроса имеет вид: 1000+A*Math.sin (PI/2*t), где a принимает значения от -40 до 40, согласно нормальному распределению. Ее вид свидетельствует о наличии незначительных колебаний спроса. Оценки эффективности логистического и юридического отделов равные 0,6462 и 0,7252 соответственно были выведены в результате калибровки модели, при значении данных показателей происходит генерация реалистичного количества заказов в день. Параметры department_quantity, numberOfTrucks, deliver_quantity соответствующие количеству складов, количеству грузовиков и количеству мест доставок были взяты произвольно, однако на основание именно этих параметров решаются оптимизационные задачи, приводящие к максимизации прибыли при изменении этих значений.

По мере выполнения ряда экспериментов было введено ограничение на время. Рассматриваются 48 часов деятельности компании. В ходе нескольких экспериментов было установлено, что в целом компания имеет положительную прибыль, которая, однако, может значительно колебаться в зависимости от дальности перевозок заказов. Имея 6 складов, 7 грузовиков и 12 потенциальных точек доставок, в целом за 2 дня компания успевает доставить от 4 до 7 заказов, тем не менее, кроме доставленных заказов возникают и неуспешные: reject — в следствии отсутствия нужных товаров на складе и timeOut в следствии превышения срока доставки. На основании этих данных собирается статистика и отражаются графики, иллюстрирующие количество невыполненных заказов в следствии как отсутствия товара, так и несоблюдения сроков и выполненных заказов.

Кроме этого, в процессе реализации модели были решены оптимизационные задачи.

Рассмотрим первую из них. Цель первого эксперимента: максимизировать значение переменной revenue, отвечающей за прибыль, при изменении числа складов. Стоит понимать, что каждый новый склад с одной стороны, в целом, сокращает время доставки товара, как следствие, увеличивает количество заказов, которые можно привести за час работы, что положительно сказывается на прибыли; с другой стороны, каждый новый склад стоит дополнительного содержания со стороны компании, что негативно отражается на прибыли. Так как мы генерируем не бесконечное количество заказов, то не имеет смысла рассматривать большое количество складов. Количество складов изменяется от 1 до 6. В результате эксперимента максимум прибыли составил: 46 432, который достигается при 6 складах при неизменном числе грузовиков:7 и мест доставки:12.

Вторая оптимизационная задача решает проблему максимизации прибыли при изменяемом размере автопарка. Число грузовиков варьируется от 1 до 20. Максимум прибыли 66 389 рубля достигается при 10 грузовиках. Стоит отметить, что варьирование автопарка позволяет достичь большой прибыли, чем изменение количества складов в заданных приделах.

Рис. 18. Оптимизационная задача по максимизации прибыли при изменяемом размере автопарка

Последняя оптимизационная задача меняет два параметра: число складов и количество грузовиков с той же целью. Стоит заметить, что у этих показателей существует обратная зависимость в рамках реализации данной задачи. Это означает, что чем больше у нас становится складов, тем меньше нам нужно грузовиков, так как число заказов в целом не изменяется, так как оно зависит от количества мест доставки-delivery_quantity, а этот параметр не изменен. Так же верно и то, что увеличение грузовиков ведет к уменьшению числа требуемых складов. Поэтому это наиболее интересная задача, однако при вариации нескольких параметров, число доступных сочетаний значительно возрастает. Всего при вариации складов от 1 до 6 и грузовиков от 1 до 20, число возможных комбинаций равно 120. В процессе работы эксперимента были рассмотрены все возможные комбинации, при 48 часах работы компании. Максимум прибыли: 68 139 был достигнут при 2 складах и 11 грузовиках. Сравнивая полученный результат с первым оптимизационном экспериментом, стоит отметить, что прибыль выросла практически на 50% за счет значительного расширения автопарка. По сравнению же со вторым оптимизационном экспериментом прибыль выросла незначительно, так как возможность варьировать количество грузовиков уже обеспечила значительное изменение прибыли второму эксперименту. Однако, увеличение прибыли наблюдается. Достигается оно за счет сокращения числа складов, и как следствие расходов на их содержание, и увеличения автопарка, которое компенсирует уменьшение складов.

Рис. 19. Оптимизационная задача по максимизации прибыли при изменяемом числе складов и грузовиков