Цель:
максимизировать разность мощностей, вырабатываемых турбогенераторами и потребляемых вспомогательными агрегатами

Результат:
Рост разности мощностей на 0,9%

Вводные данные:

• Состав оборудования: турбогенераторы, градирни, вентиляторы, насосы

• Внешние параметры: состояние окружающей среды (температура, влажность, давление)

• Управляющее воздействие: режимы работы насосов и вентилятор

• Режим управления: в реальном времени с дискретностью 1 мин.

Не раскрывается

Цель:
максимизировать количество молоди, готовой к посадке в морские садки

Результат:
Рост численности молоди на 5,7%

Вводные данные:

• 58 бассейнов

• 12 млн мальков за цикл

• Набор технологических ограничений и модель роста

• Горизонт планирования – 1 год

Не раскрывается

Цель:
Проект направлен на разработку системы динамического сведения материальных балансов, обеспечивающей оптимальные оценки потоков и минимизацию ошибок измерений в реальном времени.

Результат:
Время работы алгоритма и получаемые результаты соответствуют требованиям

Вводные данные:

• Набор измерений входящих и исходящих материальных потоков технической системы в реальном времени (2 тыс. измерений на каждом шаге)

• Сведения о погрешности измерений и экспертные оценки ненаблюдаемых значений

• Время проведения вычислений – не более 1,5 сек. на каждом шаге

Не раскрывается

Цель:
Обеспечение стабильной и непрерывной работы перевозки грузов железнодорожным транспортом

Результат:
Сокращение среднего оборота на 0,15 сут.

Вводные данные:

• 1 232 вагона на сети

• 84 рейса/вагон/год

• 4,3 сут. средний оборот вагона

Не раскрывается

Цель:
Обеспечение стабильной и непрерывной работы в операционном блоке

Результат:

• полное высвобождение 1 операционной
• высвобождение 1 рабочего дня в месяц у 50% специалистов

Вводные данные:

• 3000+ пациентов

• 96 специалистов

• 32 вида операций

• 9 операционных

• горизонт планирования – 1 мес.

5 млн руб. в месяц

Цель:
Одновременно минимизировать расходы на фрахт и совокупный остаток наличности в терминалах

Результат:

• Время расчета: 15 мин.
• Высвобождено 2 единицы спецтранспорта
• Снижение остатка в терминалах на 5,3%

Вводные данные:

• 1 700 терминалов

• 20 единиц спецтранспорта

• Зона обслуживания - 40,000 km2

• Двухкритериальная оптимизация

• Горизонт планирования – 1 мес. (модель включает прогноз остатков в терминалах)

Не раскрывается

Цель:
повысить производительность конвертерного цеха, минимизировав простои и остановки на переналадку оборудования

Результат:

• рост производительности на 2,2%
• сокращение простоев на 18%
• сокращение остановок на переналадку на 16%

Вводные данные:

• 12,300 сотрудников - торговых представителей

• 85 филиалов

• индивидуальные предпочтения сотрудников по географии поездок

• матрица транспортных затрат

• горизонт планирования – 1 месяц

Чистый эффект от внедрения:

1,8 млрд руб. в год

Цель:
максимизировать статическую нагрузку = минимизировать расходы на фрахт

Результат:

система осуществляет одновременное планирование постановки подвижного состава под погрузку в условиях ограничений и оптимальную укладку изделий в вагоны, средняя статическая нагрузка увеличилась на 4%, позволяя сократить издержки более чем на 600 млн руб. в год

• номенклатура — 800 SKU

• складской остаток — до 6 000 слябов

• погрузка — 300…450 вагонов в сутки

• 33 типа подвижного состава (полувагоны разной грузоподъемности, габаритов, кодов годности)

• 300 схем укладки, определяемых ТУ РЖД и местными техническими условиями (МТУ)

• погрузка секциями по 15-20 вагонов с 4 тупиков

• ограничения по направлениям отгрузки и их сочетании в одной постановке

• учет расстояния от места хранения сляба до позиции полувагона на тупике

На первом этапе был разработан алгоритм, рассчитывавший потребность в конкретных видах подвижного состава (ПС) для каждой постановки на горизонте 5 суток. Однако после начала внедрения системы выяснилось, что управление ж/д транспорта заказчика не имеет возможности осуществлять подачу ПС согласно заявкам (заявке соответствовало не более 40% ПС).

Подход к решению был изменен: планирование стало производиться на 1 постановку вперед с подбором ПС из наличия на сети промплощадки заказчика, с заданным бюджетом маневровых работ (не более 4 на одну постановку).

Благодаря декомпозиции, для расчета одной оптимальной постановки потребовалось решать около 7 000 задач размерностью 500 тыс. переменных каждая, что требует в пределах 5 мин. на 64 ядрах CPU.

Система гибко адаптируется под задачи массовой погрузки транспорта продукцией со сложными массогабаритными характеристиками

Цель:
повысить производительность конвертерного цеха, минимизировав простои и остановки на переналадку оборудования

Результат:

• рост производительности на 2,2%
• сокращение простоев на 18%
• сокращение остановок на переналадку на 16%

От выхода стальковша с конвертера до отхода судна с продукцией от причальной стенки в порту

• Номенклатура выпускаемой продукции — примерно 800 SKU (слябы разных размеров из разных марок стали)
• Объем производства — 8 млн тонн в год
• До внедрения решения QuSolve, календарное планирование осуществлялось полуручным методом с использованием электронных таблиц для предварительного планирования и рекомендательной системы для планирования производства внутри смен

• Изучения технологических и бизнес-процессов комбината и подготовки формальной постановки задачи

• Разработки архитектуры решения с использованием солвера OptJet и набора вспомогательных алгоритмов

• Разработки пользовательского интерфейса и его интеграции с источниками данных и смежными системами заказчика

Входные рулоны имеют разную геометрию, а товарная продукция должна иметь различную толщину напыления и ряд других параметров, в зависимости от партии для каждого конкретного заказчика.

• Продукция имеет разную толщину напыления и другие параметры, изменяемые индивидуально для каждого заказчика;
• Входные рулоны имеют разную геометрию;
• В смену агрегат может обработать от 30 до 100 рулонов.

Для решения этой задачи специалисты QuScape применили квантовый алгоритм Гамильтонова пути, симулированный на классическом компьютере.