МОДЕЛЬ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ МНОГОЗАДАЧНЫХ СКЛАДСКИХ РОБОТОВ НА ОСНОВЕ ЧЕТЫРЕХУРОВНЕВОЙ АРХИТЕКТУРЫ СОВМЕСТНОЙ ОПТИМИЗАЦИИ

Ш. Гун

Об авторах

Ш. Гун

Московский государственный технический университет имени Н.Э. Баумана, 2-я Бауманская ул. д. 5, стр.1, Москва, Россия АО НИИ Вычислительных комплексов им. М. А. Карцева, ул. Профсоюзная, д. 108, Москва, Россия

Скачать PDF

УДК: 004.89 + 007.52 + 681.518
DOI: 10.24412/2413-7383-2025-3-38-100-112
Язык: Русский

Аннотация: В данной статье предлагается оригинальная модель принятия решений, основанная на четырех-уровневой архитектуре совместной оптимизации, которая объединяет миварную систему при-нятия решений и механизмы многоуровневой оптимизации, преодолевая компромисс между динамическим откликом и вычислительной сложностью в традиционных методах. Используется механизм динамического приоритета для разделения срочных и крупногабаритных грузов; расс-матривается двухрежимный оптимизационный движок, который в ограниченных масштабах задач (n≤6) решает проблему комбинаторного взрыва с помощью глобального перечисления и гибрид-ной стратегии ближайшего соседа и 2-opt. Эксперименты на основе моделируемой складской среды с 100 гетерогенными грузами показали: модель эффективно генерирует 42 группы задач (одно/двух/трех/четырехзадачные группы составляют 16,7%/40,5%/26,2%/16,6% соответственно), общее расстояние транспортировки составляет 5436 метров (в среднем 129,4 метра на группу). Данная структура предоставляет оптимизационную парадигму для интеллектуальных складских систем, сочетающую правила и модели, а будущие исследования будут расширены до сценариев планирования гетерогенных роботов и многороботной транспортировки сверхкрупных грузов.

Ключевые слова: мивар, миварная технология, динамическое распределение задач, миварная система принятия решений, логический ИИ, интеллектуальное складирование, многозадачные роботы, четырехуровневая оптимизация

Список литературы

1. Попова, Т. А. Цифровые технологии: современный виток развития складской логистики / Т. А. Попова. Новое в экономической кибернетике. 2024. № 4. С. 82-100. DOI 10.5281/zenodo.15101877. EDN LOFHTJ. 3Г Ш. Гун
2. Мищенко, Е. В. Автоматизированные складские системы: оптимизация логистических процессов с помощью современных технологий / Е. В. Мищенко, И. М. Толмачев. Проблемы энергообеспечения, автоматизации, информатизации и природопользования в АПК: Сборник материалов международной научно-технической конференции, Брянск, 16–17 мая 2024 года. Брянск: Брянский государственный аграрный университет, 2024. С. 283-288. EDN UBXZIA.
3. Multi-Robot Systems and Cooperative Object Transport: Communications, Platforms, and Challenges / X. An, C. Wu, Ya. Lin [et al.] IEEE Open Journal of the Computer Society. 2023. Vol. 4. P. 23-36. DOI 10.1109/ojcs.2023.3238324. EDN GIZDYU.
4. Reshetnikova, M. S. The global industrial robotics market: development trends and volume forecast / M. S. Reshetnikova, I. A. Pugacheva. Research in Economic Anthropology. 2022. Vol. 42. P. 187-195. DOI 10.1108/S0190-128120220000042018. EDN IUEUGZ.
5. Воеводская, А. С. Системный анализ как метод принятия решения при логистическом проектиро- вании складских систем / А. С. Воеводская. Экономика и бизнес: теория и практика. 2020. № 4- 1(62). С. 68-72. DOI 10.24411/2411-0450-2020-10258. – EDN AJYKKJ.
6. A Multi-Robot Task Allocation Method Based on the Synergy of the K-Means++ Algorithm and the Particle Swarm Algorithm / Y. Yuan, P. Yang, H. Jiang, T. Shi. Biomimetics. 2024. Vol. 9, No. 11. P.
7. DOI 10.3390/biomimetics9110694. EDN QMGXPD.
8. Orr, Ja. Multi-Agent Deep Reinforcement Learning for Multi-Robot Applications: A Survey / Ja. Orr, A. Dutta. Sensors. 2023. Vol. 23, No. 7. P. 3625. DOI 10.3390/s23073625. EDN AHGHYH.
9. Galati, G. Auction-Based Task Allocation and Motion Planning for Multi-Robot Systems with Human Supervision / G. Galati, S. Primatesta, A. Rizzo. Journal of Intelligent and Robotic Systems. 2023. Vol. 109, No. 2. P. 24. DOI 10.1007/s10846-023-01935-x. EDN VTCNNS.
10. Покинтелица, А. Е. Проблемы и специфика редукции данных в автономных робототехнических системах / А. Е. Покинтелица. Проблемы искусственного интеллекта. 2023. № 1(28). С. 31-41. EDN XLGXQX.
11. Lewczuk, K. Energy Consumption in a Distributional Warehouse: A Practical Case Study for Different Warehouse Technologies / K. Lewczuk, M. Kłodawski, P. Gepner. Energies. 2021. Vol. 14, No. 9. P. 2709. DOI 10.3390/en14092709. EDN NTIXOI.
12. Никитина, А. А. Обнаружение объектов на местности интеллектуальными роботами в быстроменяющейся обстановке / А. А. Никитина, С. И. Уланов. Проблемы искусственного интеллекта. 2023. № 3(30). С. 36-43. DOI 10.34757/2413-7383.2023.30.3.003. EDN ALLVUM.
13. A Novel Integrated Path Planning Algorithm for Warehouse AGVs / W. Tao, Ya. Daichuan, L. Weifeng [et al.] Chinese Journal of Electronics. 2021. Vol. 30, No. 2. P. 331-338. DOI 10.1049/cje.2021.02.002. EDN ROUXYH.
14. Sineglazov, V. M. Hybrid neural network optimization system based on ant algorithms / V. M. Sineglazov, O. I. Chumachenko, D. M. Omelchenko. Електронiка та системи управлiння. 2020. Vol. 2, No. 64. P. 61-67. DOI 10.18372/1990-5548.64.14857. EDN GPCSKM.
15. Hybrid variable neighborhood search for automated warehouse scheduling / I. Davydov, Yu. Kochetov, D. Tolstykh [et al.] Optimization Letters. 2023. Vol. 17, No. 9. P. 2185-2199. DOI 10.1007/s11590-022- 01921-6. EDN STIGTP.
16. Performance analysis of clustering methods for balanced multi-robot task allocations / E. Murugappan, N Subramanian, S. Rahman [et al.] International Journal of Production Research. 2021. DOI 10.1080/00207543.2021.1955994. EDN GTNKUP.
17. A survey on multi-robot coverage path planning for model reconstruction and mapping / R. Almadhoun, L. Seneviratne, Y. Zweiri, T. Taha. SN Applied Sciences. 2019. Vol. 1, No. 8. DOI 10.1007/s42452-019- 0872-y. EDN EZAWPF.
18. Варламов, О. О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство / О. О. Варламов. Москва: Научно-техническое издательство "Радио и связь", 2002. 286 с. ISBN 5-256-01650-4. EDN RWTCOP.
19. Колпакиди, Н. А. Создание системы поддержки принятия решений для биохимического анализа крови / Н. А. Колпакиди, А. А. Коценко. Международный журнал информационных технологий и энергоэффективности. 2025. Т. 10, № 4(54). С. 117-128. EDN RQBJUS.
20. Varlamov, O. “Brains” for Robots: Application of the Mivar Expert Systems for Implementation of Autonomous Intelligent Robots / O. Varlamov.бBig Data Research. 2021. Vol. 25. P. 100241. DOI 10.1016/j.bdr.2021.100241. EDN HRYLWL. Модель принятия решений для многозадачных складских роботов… 3Г
21. Городецкий, А. Е. Оптимизация движения роботом-маршрутизатором с учетом темперамента водителя / А. Е. Городецкий, И. Л. Тарасова. Проблемы искусственного интеллекта. 2023. № 1(28). С. 18-30. EDN BTDZSK.
22. Route planning of autonomous robots in three-dimensional logic space using mivar technologies / A. Kotsenko, A. Andreev, R. Kim [et al.] E3S Web of Conferences. 2024. Vol. 515. P. 04018. DOI 10.1051/e3sconf/202451504018. EDN GMEYDO.
23. Динамическое планирование траектории робота на основе семантического обнаружения объектов с использованием миварной экспертной системы / Ц. Шэнь, Ш. Гун, О. О. Варламов [и др.] Проблемы искусственного интеллекта. 2024. № 4(35). С. 164-176. DOI 10.24412/2413-7383-2024- 4-164-176. EDN DHVOFC.
24. Automated formation of discipline sequences for higher ecological and agricultural education using mivar expert systems / M. Peresypkina, O. Varlamov, A. Kotsenko [et al.] Bio Web of Conferences: International Scientific Conference on Biotechnology and Food Technology (BFT-2024), Saint Petersburg, 03–06 сентября 2024 года. Vol. 130. Les Ulis: EDP Sciences, 2024. P. 08032. DOI 10.1051/bioconf/202413008032. EDN ERQVZN.
25. Разработка миварной экспертной системы для выбора алгоритма консенсуса распределённых реестров / Н. С. Подопригорова, С. А. Козырев, С. С. Подопригорова [и др.] Проблемы искусственного интеллекта. 2024. № 4(35). С. 126-138. DOI 10.24412/2413-7383-2024-4-126-138. EDN AVXOTO.
26. Создание миварной экспертной системы для выполнения этических аспектов искусственного интеллекта для скоринга кредитования / М. С. Торжков, Ю. П. Королева, А. В. Балдин [и др.] Проблемы искусственного интеллекта. 2024. № 4(35). С. 139-150. DOI 10.24412/2413-7383-2024- 4-139-150. EDN BHOQXX.
27. Комплексная система ИИ на основе миварных и нейронных сетей для обнаружения дефектов продукции на производстве хлебобулочных изделий / А. М. Голобоков, А. А. Коханов, И. Д. Кац [и др.] Проблемы искусственного интеллекта. 2025. № 1(36). С. 27-42. DOI 10.24412/2413-7383- 27-42. EDN QAZTYW.
28. Миварная экспертная система для интеллектуализации производства автомобильных колесных дисков / А. Н. Демидов, В. Д. Черненко, М. К. Вотинцев [и др.] Проблемы искусственного интеллекта. 2025. № 1(36). С. 43-57. DOI 10.24412/2413-7383-43-57. EDN HCKKLJ.
29. Чувиков, Д. А. Разработка платформы реконструкции и экспертизы аварийных событий дорожно- транспортных происшествий на базе логического искусственного интеллекта / Д. А. Чувиков. Проблемы искусственного интеллекта. 2024. № 2(33). С. 59-77. DOI 10.24412/2413-7383-2024-2- 59-77. EDN EUPPZY.
30. Михалева, У. А. Применение миварного подхода в системах противодействия претекстингу / У. А. Михалева. Телекоммуникации. 2024. № 3. С. 38-40. DOI 10.31044/1684-2588-2024-0-3-38-40. EDN VDTWAZ.
31. Гун, Ш. Миварная система принятия решений для распределения и перевозки грузов командой

Выпуск: 3(38)'2025
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Ш. Гун. МОДЕЛЬ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ МНОГОЗАДАЧНЫХ СКЛАДСКИХ РОБОТОВ НА ОСНОВЕ ЧЕТЫРЕХУРОВНЕВОЙ АРХИТЕКТУРЫ СОВМЕСТНОЙ ОПТИМИЗАЦИИ // Проблемы искусственного интеллекта. - 2025. - № 3 (38). - С. 100-112. - https://paijournal.guiaidn.ru/ru/2025/3(38)-9.html

Назад к выпуску 3(38)'2025