Інформаційні технології та комп'ютерна техніка

ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ЛОГІСТИЧНИХ ПРОЦЕСІВ РОБОТИЗОВАНОГО СКЛАДУ НА ОСНОВІ МАРКОВСЬКИХ МЕРЕЖ

Автор(и)

О. Ю. Посашков
Харківський національний університет радіоелектроніки ROR
О. М. Цимбал
Харківський національний університет радіоелектроніки ROR
DOI https://doi.org/10.31649/1997-9266-2025-182-5-69-74

Ключові слова

маршрутизація роботів логічні мережі Маркова експертні системи імовірнісні моделі складська логістика інтелектуальні системи керування

Анотація

Сучасна складська логістика має надзвичайний розвиток і водночас стикається з багатьма проблемами через постійну мінливість ринку і непередбачуваний попит. При цьому, не завжди легко скоординувати всі різні процеси, які відбуваються на складі. Стандартні методи управління у більшості випадків не дають позитивного результату, що призводить до нераціонального використання ресурсів і до зростання витрат. У статті запропоновано спосіб вирішення проблеми маршрутизації складських роботів на основі використання комбінації експертних систем і логічних мереж Маркова. Мережі Маркова, як математичний інструмент моделювання випадкових процесів, допомагають зрозуміти, як різні стани системи пов’язані між собою. У складській логістиці це означає, що можна передбачити, в якому стані буде система в майбутньому, ґрунтуючись на теперішніх і попередньо отриманих даних. Це дуже важливо, коли потрібно ухвалювати важливі рішення на управлінському рівні. Ще одним важливим моментом є експертні системи, які об’єднують знання досвідчених спеціалістів і Марковські мережі. Завдяки цьому можна формалізувати знання людей, які мають великий практичний досвід, і використовувати їх в автоматизованому режимі. Це дає змогу поєднати практичні спостереження з математичним аналізом і забезпечувати адаптивність. За допомогою поєднання експертних знань і моделей, можна раціональніше підходити до роботи зі складськими процесами.

Розглянуто метод оптимізації маршрутів в умовах невизначеностей, які виникають у динамічному середовищі логістичного складу. Розроблено метод, який поєднує чіткі правила експертів з імовірнісними моделями логічних мереж. Також запропонована концептуальна модель для комбінованої системи, пояснено, як перетворювати дані з експертної системи у формули для логічних мереж, розглянуто обчислювальні аспекти. Розглянуто можливі напрямки для майбутніх досліджень, зокрема, методи автоматичного навчання та адаптивними системами. Результати статті створюють основу для інтелектуальних систем керування, які зможуть розв’язувати задачі маршрутизації з урахуванням безлічі факторів, що впливають на рух роботів.

128 54

Як цитувати

[1]
«ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ЛОГІСТИЧНИХ ПРОЦЕСІВ РОБОТИЗОВАНОГО СКЛАДУ НА ОСНОВІ МАРКОВСЬКИХ МЕРЕЖ», Вісник ВПІ, вип. 5, с. 69–74, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-69-74.

Біографії авторів

автор О. Ю. Посашков, афіліація Харківський національний університет радіоелектроніки

аспірант кафедри комп’ютерно-інтегрованих технологій, автоматизації та робототехніки

автор О. М. Цимбал, афіліація Харківський національний університет радіоелектроніки

д-р техн. наук, професор, професор кафедри комп’ютерно-інтегрованих технологій, автоматизації та робототехніки

Посилання

Y. Zhang, and L. Chen, “Optimization of robot path planning in warehouse environment using Markov decision processes,” International Journal of Advanced Robotic Systems, vol. 17, no. 2, pp. 1-15, 2023.
D. C. Johnson, and R. P. Smith, “Expert systems in logistics: A comprehensive review,” Journal of Intelligent Manufacturing, vol. 33, no. 4, pp. 890-905, 2022.
J. H. Lee, and S. Kim, “Markov Logical Networks: Theory and Applications in Uncertain Environments,” IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 5, pp. 2134-2147, 2023.
W. Chen, and L. Zhao, “Expert Systems with Uncertainty: Methodologies and Applications,” Expert Systems with Applications, vol. 215, pp. 119-216, 2023.
P. Domingos, and D. Loud, Markov Logic: An Interface Layer for Artificial Intelligence. Morgan & Claypool Publishers, 2023.
G. Marra, O. Kuželka, and K. Kersting, “Neural Markov Logic Networks,” in Proc. 38th International Conference on Machine Learning (ICML), 2021, pp. 7447-7458.
J. D. Gammell, T. D. Barfoot, and S. S. Srinivasa, “Batch Informed Trees (BIT*): Informed asymptotically optimal anytime search,” The International Journal of Robotics Research, vol. 39, no. 5, pp. 543-567, 2020.
K. Azadeh, R. De Koster, and D. Roy, “Robotized and Automated Warehouse Systems: Review and Recent Developments,” Transportation Science, vol. 53, no. 4, pp. 917-945, 2019.
N. Boysen, D. Briskorn, and S. Emde, “Parts-to-picker based order processing in a rack-moving mobile robots environment,” European Journal of Operational Research, vol. 262, no. 2, pp. 550-562, 2017.
S. H. Bach, M. Broecheler, B. Huang, and L. Getoor, “Hinge-Loss Markov Random Fields and Probabilistic Soft Logic,” Journal of Machine Learning Research, vol. 18, pp. 1-67, 2017.
V. Gogate and P. Domingos, “Probabilistic Theorem Proving,” in Proc. 27th Conference on Uncertainty in Artificial Intelligence, 2018, pp. 256-265.

Статті цього автора (цих авторів), які найбільше читають