Среди собственников и руководителей предприятий высшего уровня все чаще обсуждается задача создания « предприятий реального времени », в которых планирование ресурсов осуществляется динамически « на лету » в реальном времени, поскольку часто качество и эффективность управленческих решений напрямую зависят от самого момента времени.
Научные и практические основы мультиагентного подхода к решению сложных задач и построению распределенных систем начали складываться в последние десятилетия прошлого века на стыке направлений по искусственному интеллекту, объектно-ориентированному и параллельному программированию, интернет-технологиям и телекоммуникациям [ 1 – 5 ].
Растущий интерес к рассматриваемым системам обусловлен вызовами новой глобальной экономики реального времени, в первую очередь, ростом сложности в принятии решений, характеризуемой следующими важными факторами:
• Неопределенность: трудно предсказать изменения спроса и предложения.
• Конфликты: все больше участников с противоречивыми интересами, которые все труднее становится примирить.
• Событийность: часто случаются непредвиденные события, которые изменяют планы.
• Ситуативность: решение надо принимать по ситуации, « жесткие » правила уже не действуют всегда и всюду, становятся более гибкими, компромиссными и « мягкими »( с оговорками), пополняются особыми случаями и примерами из жизни.
• Многофакторность: все больше разных критериев, предпочтений и ограничений.
• Высокая связность: принятие одного решения вызывает изменение целой цепочки других, ранее принятых решений, или даже полную отмену.
• Индивидуальность: потребители, сотрудники и субподрядчики требуют все более индивидуального подхода.
• Трудоемкость: слишком много опций, чтобы просчитать все последствия путем полного перебора.
Во вторую очередь, возрастает динамика принятия решений:
• Требуется высокая оперативность для принятия решений, иначе лучшее решение будет найдено, когда « поезд уйдет ».
• Задержка и откладывание решения грозит « замораживанием » ресурсов и ростом простоев, холостого хода и т. д.
• Идут постоянные изменения спроса и предложения, в ходе чего требуется не столько находить, фиксировать и поддерживать некоторый оптимум для одного из участников или одной функции( свертки критериев), сколько гармонизировать и поддерживать
В турбулентных условиях, при высокой частоте возникновения непредвиденных событий, требуются продуктивные подходы к принятию решений по распределению, планированию, оптимизации, согласованию и контролю ресурсов, позволяющие предприятиям сохранять и увеличивать свою рентабельность, избегая простоя или дефицита всех видов ресурсов, включая кадры, оборудование, финансы и другие.
баланс интересов участников, идти на переговоры и взаимные уступки.
• Сокращается время на ответ – решения принимаются под прессом времени.
• Необходимо постоянно балансировать между разными критериями, которые могут меняться в ходе управления, часть заказов может быть принята в силу прибыльности, часть – для поддержки ВИП-клиента, а часть – рассматриваться как инновация.
• Требуется непрерывный расчет экономики вариантов решений и, в зависимости от ситуации, динамическое формирование и изменение цен.
• Нужны постоянные взаимодействия с клиентами и поставщиками, от особенностей задач, мнения или пожелания которых ситуация может кардинально меняться.
Решение классических задач планирования ресурсов( также известных как NP-трудные задачи) обычно формулируется как пакетный процесс, в котором все заказы и ресурсы известны заранее и не изменяются в процессе работы [ 6 ]. В составе традиционных ERP систем( систем управления предприятием) в последнее время все больше предлагается планировщиков ресурсов( часто называемых ASP средствами – Advanced Scheduling and Planning), разрабатываемых такими известными компаниями, как SAP, Oracle, Manugistic, i2, ILOG, J‐Log и другие.
Однако эти системы, как правило, реализуют пакетные версии линейного или динамического программирования, программирования с учетом ограничений и других методов, основанных на комбинаторном поиске вариантов [ 7 ], которые на практике оказываются мало пригодными. Для уменьшения сложности комбинаторного поиска, новые методы используют эвристики и мета-эвристики [ 8 ], которые при некоторых условиях позволяют получать приемлемые решения за разумное время за счет сокращения вариантов комбинаторного поиска. Также используются « жадные » локальные методы поиска, методы имитации отжига, программирование в ограничениях, табу поиска, генетические и муравьиные алгоритмы и др.
Вышеуказанные методы в основном также используют пакетную обработку и с трудом расширяются дополни-
25