Symulacja agentowa dla harmonogramowania rozproszonych, nietypowych projektów powtarzalnych przy wieloresursowych ograniczeniach

Dlaczego planowanie rozproszonych projektów jest tak trudne

Gdy operator sieci stawia dziesiątki nowych stacji bazowych w całym kraju albo zakład modernizuje rozrzucone stacje transformatorowe, na papierze prace wyglądają prosto: powtórzyć podobne zadania na wielu lokalizacjach. W rzeczywistości planujący muszą żonglować ekipami pokonującymi duże odległości, nieprzewidywalnymi opóźnieniami i napiętymi terminami. Tradycyjne narzędzia, takie jak arkusze kalkulacyjne czy wykresy Gantta, mają problemy z uchwyceniem tej ruchomej układanki, co często prowadzi do marnowania przejazdów, bezczynności ekip i projektów trwających znacznie dłużej niż zakładano. W artykule przedstawiono nowe podejście komputerowe do planowania, które traktuje ekipy i miejsca jako cyfrowe „agenty” poruszające się po mapie, pokazując, jak inteligentniejsze trasowanie i harmonogramowanie mogą radykalnie skrócić realizację takich złożonych programów.

Wiele małych zadań, duże problemy logistyczne

Badanie koncentruje się na tym, co autorzy nazywają rozproszonymi, nietypowymi projektami powtarzalnymi: pomyśl o ponad 100 wieżach telekomunikacyjnych rozrzuconych po miastach, pustyniach i wsiach, z każdą o nieco innym projekcie i czasie budowy. Wyzwanie to nie tylko ustalenie, kiedy rozpocząć prace na danej lokalizacji, ale który wykonawca powinien się jej zająć, w jakiej kolejności oraz jak utrzymać ekipy w stałym ruchu zamiast siedzenia w ciężarówkach czy oczekiwania na formalności. Klasyczne metody planowania, takie jak metoda ścieżki krytycznej czy Line of Balance, sprawdzają się przy prostych odcinkach dróg czy identycznych kondygnacjach, ale zawodzą, gdy miejsca są rozrzucone, warunki się różnią, a nieoczekiwane zakłócenia — na przykład opóźnienia w pozwoleniach czy problemy z dostępem — są powszechne.

Przekształcanie ekip i miejsc w cyfrowych aktorów

Aby poradzić sobie z tymi problemami, autorzy zbudowali model symulacji agentowej powiązany z rzeczywistymi danymi geograficznymi. Każde miejsce budowy jest agentem programowym z własną lokalizacją, typem (na przykład nowa wieża na terenie niezabudowanym vs. sprzęt dodany do istniejącej konstrukcji) i przewidywanym czasem trwania. Każdy wykonawca to kolejny agent, określony przez miejsce startu ekip, rodzaje miejsc, które są uprawnione wykonywać, oraz liczbę zadań, jakie mogą prowadzić jednocześnie. Agenty „działają” w środowisku mapowym i stosują proste reguły: gdy ekipa kończy jedno miejsce, szuka najbliższego nieukończonego miejsca, do którego ma uprawnienia, i tam się przemieszcza. Model wprowadza też losowe opóźnienia odzwierciedlające pogodę, pozwolenia czy problemy z dostawami, więc każde uruchomienie symulacji generuje nieco inną, lecz realistyczną historię projektu.

Dodanie inteligentnego wyszukiwania nad symulacją

Ponieważ istnieje wiele sposobów przydzielenia dziesiątek lokalizacji wielu wykonawcom, badacze dodali warstwę optymalizacyjną inspirowaną ewolucją biologiczną. Komputer generuje wiele alternatywnych wzorców przydziału — różne sposoby podziału puli miejsc między wykonawców — i dla każdego z nich wielokrotnie uruchamia symulację, aby zobaczyć, ile czasu zajmuje realizacja całego programu. W kolejnych cyklach zachowuje lepiej działające wzorce i miesza je, tworząc nowe, stopniowo zbliżając się do kombinacji ekip i lokalizacji oraz schematów tras, które kończą wcześniej. Po drodze model automatycznie zapisuje miary wydajności, takie jak czas spędzany przez każdą ekipę na podróży, częstotliwość bezczynności i stopień wykorzystania zasobów.

Test na rzeczywistym wdrożeniu telekomunikacyjnym

Ramę przetestowano na dużym programie wdrożeniowym w Egipcie obejmującym 138 lokalizacji wież trzech głównych typów: pełne nowe wieże Greenfield, wieże dachowe i szybkie modernizacje „sharing” na istniejących konstrukcjach. Autorzy użyli rzeczywistych współrzędnych lokalizacji, baz wykonawców, realistycznych kalendarzy oraz statystyk opóźnień zaczerpniętych z dzienników projektu. Następnie porównali swoje symulowane harmonogramy z pierwotnym planem firmy w Excelu, który zakładał około 100 dni na zakończenie programu. Przy użyciu tych samych wykonawców i ograniczeń terenowych podejście agentowe konsekwentnie kończyło prace w przybliżeniu w 49–56 dniach w dwudziestu niezależnych uruchomieniach symulacji, skracając średni czas do około 54 dni — redukcja o 46 procent. Model ujawnił także, którzy wykonawcy najwięcej podróżują, gdzie występują nadal przydziały na duże odległości i jak dobrze ekipy są zajęte przy różnych scenariuszach pojemności i specjalizacji.

Co to oznacza dla przyszłych projektów

Mówiąc prosto, badanie pokazuje, że traktowanie ekip i miejsc jako współdziałających aktorów na mapie — i pozwolenie komputerowi na eksplorowanie wielu opcji trasowania i przydziału w warunkach niepewności — może przekształcić rozległy, rozproszony program w znacznie bardziej efektywną operację. Zamiast ręcznie tworzonych arkuszy ignorujących geografię i losowość, planujący mogą używać tego podejścia do testowania scenariuszy „co jeśli”, obserwowania, jak podróże i opóźnienia rozchodzą się w harmonogramie, oraz wyboru alokacji ekip, które niezawodnie kończą wcześniej. Chociaż obecny model koncentruje się na czasie i nie optymalizuje jeszcze kosztów czy zużycia paliwa, jego powodzenie na rzeczywistym wdrożeniu telekomunikacyjnym sugeruje, że symulacja agentowa uwzględniająca mapę wraz z optymalizacją może stać się praktycznym narzędziem decyzyjnym dla wielu rodzajów rozproszonych geograficznie programów budowlanych i infrastrukturalnych.

Cytowanie: Sultan, R.A., Hamdy, K. & Essawy, Y.A.S. Agent-based simulation for multi-resource-constrained scheduling of scattered atypical repetitive projects. Sci Rep 16, 11759 (2026). https://doi.org/10.1038/s41598-026-42832-1

Słowa kluczowe: symulacja agentowa, harmonogramowanie prac budowlanych, projekty rozproszone geograficznie, alokacja ekip, infrastruktura telekomunikacyjna