Новый стандарт для цифровых двойников цепей поставок
Команда исследователей Tushar Lone и Neha Karanjkar представила SupplyNetPy — открытую библиотеку на Python, предназначенную для высокодетализированного моделирования и симуляции произвольных сетей цепей поставок и инвентаризации. Работа опубликована в arXiv (cs.AI) и подготовлена к конференции Winter Simulation Conference 2026. Главная цель проекта — предоставить инженерам и аналитикам мощный программный инструмент для создания «цифровых двойников» (digital twins) логистических систем.
Ключевые технические возможности
SupplyNetPy использует графовую структуру для описания сети, где узлы и связи обладают собственными атрибутами. Библиотека поддерживает дискретно-событийное моделирование (discrete-event simulation) и включает следующие критически важные функции:
- Многоуровневая архитектура: Поддержка произвольных структур цепей поставок (arbitrary multi-echelon structures).
- Гибкие политики пополнения: Возможность настройки различных стратегий управления запасами.
- Реалистичные ограничения: Моделирование скоропортящихся товаров (perishable inventory), случайных сбоев узлов (node disruptions) и стохастического спроса и времени выполнения заказов.
- Расширяемость: Все компоненты библиотеки можно кастомизировать через механизм наследования (inheritance).
Валидация и сравнение с аналогами
Авторы провели детальную валидацию SupplyNetPy, сравнив результаты симуляции с аналитическими бенчмарками, коммерческими инструментами и опубликованными кейсами. Ниже приведена сравнительная характеристика ключевых возможностей библиотеки:
| Характеристика | SupplyNetPy | Стандартные аналитические модели | Коммерческие симуляторы |
|---|---|---|---|
| Тип моделирования | Дискретно-событийное (DES) | Аналитическое (статическое) | Дискретно-событийное (DES) |
| Стохастический спрос | Да | Часто нет (детерминировано) | Да |
| Сбои узлов (Disruptions) | Встроено | Нет | Требует кастомизации |
| Скоропортящиеся товары | Поддержка | Редко | Зависит от модуля |
| Доступность кода | Open Source (Python) | — | Закрытый исходный код |
| Генерация данных для ML | Программная генерация | Нет | Ограничена |
Зачем это нужно отрасли?
Ключевое преимущество SupplyNetPy заключается в возможности программной генерации сложных моделей. Это позволяет:
- Проводить анализ «what-if» (что, если) для оптимизации дизайна сети.
- Генерировать обучающие данные для моделей машинного обучения (Machine Learning), что особенно актуально для задач прогнозирования спроса и управления рисками.
- Быстро прототипировать цифровые двойники без привязки к дорогому коммерческому ПО.
Библиотека позиционируется как инструмент для исследователей и практиков, которым нужно не просто рассчитать оптимальный уровень запасов, а понять динамику всей сети в условиях неопределенности.
Источник: arXiv cs.AI ↗