Техніка та енергетика

ОПТИМІЗАЦІЯ ПАРАМЕТРІВ ТРАНСПОРТНО-ТЕХНОЛОГІЧНОЇ СИСТЕМИ АГРАРНОГО ПІДПРИЄМСТВА В УМОВАХ ЧАСТКОВОЇ НЕВИЗНАЧЕНОСТІ

Вячеслав Іванович Мацюк, Вікторія Григорівна Опалко, Лілія Анатоліївна Савченко, Олег Миколайович Загурський, Надія Олексіївна Мацюк
Завантажити статтю
Анотація

На етапі виробництва широкого спектру сільськогосподарської продукції для забезпечення безперебійної роботи аграрних підприємств необхідно вирішити задачі швидкої та ефективної доставки відповідного обладнання, запчастин, розхідних матеріалів при раціональному використанні наявних виробничих ресурсів. Метою дослідження було вдосконалення транспортно-технологічної системи постачання замовлень у вигляді партій вантажів на потребу виробничої діяльності аграрного підприємства. Для цього було розроблено агентну імітаційну модель у середовищі AnyLogic 8.7 із використанням компілятора Java, оскільки цей інструментарій дозволяє одночасно поєднувати дискретно-подієвий та агентний підходи. Модель реалізовано на прикладі підприємства відокремленого підрозділу Національного університету біоресурсів і природокористування України «Агрономічна дослідна станція». В результаті була отримана комплексна, оптимізаційна математична модель постачання товарів на розгалуженій мережі автомобільних шляхів сполучення власним парком автотранспортних засобів агропідприємства в умовах часткової невизначеності. Під час проведення експериментів та обчислень на основі реального процесу аграрного підприємства було знайдено діапазон значень розміру парку вантажних автомобілів, що відповідає умовам оптимізації. Визначено, що діапазон близьких до оптимального значень розміру парку вивантажних автомобілів змінюється в межах від 9 до 14 одиниць. Встановлено, що значення критерію оптимізації, що описує середній час доставки від початку виникнення потреби в замовленні до моменту його доставки, змінюються в межах від 9,96 до 12,78 годин. Визначено граничний рівень навантаження транспортно-технологічної системи, при якому забезпечується граничний рівень технологічної відмовостійкості. Він складає 135 та більше замовлень у рік у кожного постачальника при розрахунковому парку вантажних автомобілів у 12 одиниць. Результати дослідження, такі як застосування аналітичних інструментів та алгоритмів для оптимізації маршрутів та розподілу ресурсів, можуть бути використані для підвищення ефективності транспорту, для допомоги підприємствам у виборі найбільш вигідних та екологічних маршрутів для перевезень

Ключові слова

агентна симуляція, склад парку транспортних засобів, технологічна відмовостійкість, дистрибутивна логістика, постачання комплектуючих

ЦИТУВАТИ
Matsiuk, V., Opalko, V., Savchenko, L., Zagurskiy, O., & Matsiuk , N. (2023). Optimisation of transport and technological system parameters of an agricultural enterprise in conditions of partial uncertainty. Machinery & Energetics, 14(3), 61-71. https://doi.org/10.31548/machinery/3.2023.61
Використані джерела

[1] Alimohammadi, M., & Behnamian, J. (2023). Investigating digital transformation technologically enabled solutions in reverse logistics: A systematic review. Environment, Development and Sustainability. doi: 10.1007/s10668-023-03821-w. 

[2] Bekrar, A., Cadi, A.A.E., Todosijevic, R., & Sarkis, J. (2021). Digitalizing the closing-of-the-loop for supply chains: A transportation and blockchain perspective. Sustainability, 13(5), article number 2895. doi: 10.3390/su13052895.

[3] Chen, Y., Huang, Z., Ai, H., Guo, X., & Luo, F. (2021). The impact of GIS/GPS network information systems on the logistics distribution cost of tobacco enterprises. Transportation Research Part E: Logistics and Transportation Review, 149, article number 102299. doi: 10.1016/j.tre.2021.102299.

[4] Cichosz, M., Wallenburg, C.M., & Knemeyer, A.M. (2020). Digital transformation at logistics service providers: Barriers, success factors and leading practices. International Journal of Logistics Management, 31(2), 209-238. https://doi.org/10.1108/IJLM-08-2019-0229.

[5] De Bok, M., & Tavasszy, L. (2018). An empirical agent-based simulation system for urban goods transport (MASS-GT). Procedia Computer Science, 130, 126-133. doi: 10.1016/j.procs.2018.04.021.

[6] Derkenbaeva, E., Hofstede, G.J., van Leeuwen, E., & Halleck Vega, S. (2023). Simulating households’ energy transition in Amsterdam: An agent-based modeling approach. Energy Conversion and Management, 294, article number 117566. doi: 10.1016/j.enconman.2023.117566.

[7] Faia, R., Ribeiro, B., Goncalves, C., Gomes, L., & Vale, Z. (2023). Multi-agent based energy community cost optimization considering high electric vehicles penetration. Sustainable Energy Technologies and Assessments, 59, article number 103402. doi: 10.1016/j.seta.2023.103402.

[8] Granillo-Macías, R. (2021). Logistics optimization through a social approach for food distribution. Socio-Economic Planning Sciences, 76, article number 100972. doi: 10.1016/j.seps.2020.100972.

[9] Horbova, O.V., & Murkovych, N.S. (2021). Research of complex processes based on Step-By-Step Modeling. Science and Transport Progress, 5(95), 51-59. doi: 10.15802/stp2021/252704.

[10] Latest agri-food trade report shows rebound of EU exports in February 2023. (2023). Retrieved from https://agriculture.ec.europa.eu/news/latest-agri-food-trade-report-shows-rebound-eu-exports-february-2023-2023-06-08_en.

[11] Lee, P.T.W., Hu, Z.H., Lee, S., Feng, X., & Notteboom, T. (2022). Strategic locations for logistics distribution centers along the Belt and Road: Explorative analysis and research agenda. Transport Policy, 116, 24-47. doi: 10.1016/j.tranpol.2021.10.008.

[12] Leng, L., Zhang, J., Zhang, C., Zhao, Y., Wang, W., & Li, G. (2020) A novel bi-objective model of cold chain logistics considering location-routing decision and environmental effects. PLoS ONE, 15(4), article number e0230867. doi: 10.1371/journal.pone.0230867.

[13] Liu, H., Jiao, L., Wang, F., & Zhang, X. (2022). Control optimization design of radio frequency identification technology in IoT express logistics distribution system. Journal of Control Science and Engineering, 2022, article number 3169032. https://doi.org/10.1155/2022/3169032.

[14] Matsiuk, V., Galan, O., Prokhorchenko, A., & Tverdomed, V. (2021). An agent-based simulation for optimizing the parameters of a railway transport system. In ICTERI-2021: Main Conference, PhD Symposium, Posters and Demonstrations (Vol 3013, article number 20210121). Kherson, Ukraine.

[15] Muñoz, S., & Iglesias C.A. (2021). An agent based simulation system for analyzing stress regulation policies at the workplace. Journal of Computational Science, 51, article number 101326. doi: 10.1016/j.jocs.2021.101326.

[16] Prokhorchenko, A., Parkhomenko, L., Kyman, A., Matsiuk, V., & Stepanova, J. (2019). Improvement of the technology of accelerated passage of low-capacity car traffic on the basis of scheduling of grouped trains of operational purpose. Procedia Computer Science, 149, 86-94. doi: 10.1016/j.procs.2019.01.111.

[17] Shramenko, V., Muzylyov, D., & Shramenko, N. (2020). Integrated business-criterion to choose a rational supply chain for perishable agricultural goods at automobile transportations. International Journal of Business Performance Management, 21(1/2), article number 166. doi: 10.1504/ijbpm.2020.10027634.

[18] Tang, W., Li, Z., Yu, Z., Qian, T., Lian ,X.,& Chen, X. (2022). Cost-optimal operation and recovery method for power distribution systems considering multiple flexible resources and logistics restrictions. Sustainable Energy Technologies Assessments, 49, article number 101761. doi: 10.1016/j.seta.2021.101761.

[19] Zhang, G., Dai, L., Yin, X., Leng, L., & Chen, H. (2023). Optimization of multipath cold-chain logistics network. Soft Computing. https://doi.org/10.1007/s00500-023-09013-y.

[20] Ziemke, D., Charlton, B., Horl, S., & Nagel, K. (2021). An efficient approach to create agent-based transport simulation scenarios based on ubiquitous Big Data and a new, aspatial activity-scheduling model. Transportation Research Procedia, 52, 613-620. doi: 10.1016/J.TRPRO.2021.01.073.