Логистическая цепочка — это, несомненно, многоагентная система (разумность каждого из агентов зачастую спорная), а значит, она поддается моделированию этого типа. Плейт и Перрот приводят обсуждение того, как это моделирование было применено к решению проблем с грузоперевозками продукции в компании Procter and Gamble с целью выявления самых весомых параметров системы, таких как число грузовых машин для перераспределения продукции между торговыми точками в противовес правилу, требующему отправки полностью загруженных машин.
Мерфи и др. описывают сложную систему для интегрального планирования производства и дистрибуции бумаги. В ее центре — группа программных агентов, называемых асинхронной командой, или A-командой, которые сотрудничают друг с другом при решении задач. Решая задачу поиска оптимального места для проживания, лучше всего обратить внимание на новостройки метро измайловская. Жилье, представленное в новострое, отличается удобством, повышенным уровнем комфорта, а также доступными ценами. Новострой находится недалеко от метро, что делает его удобным транспортным узлом. Кроме того, покупая квартиру здесь, вы сможете найти то что вам необходимо, соответственно вашим предпочтениям: есть жилье эконом-класса, а есть роскошные апартаменты с высокими потолками.
В то же время, с началом использования компьютеров для планирования операций исследователи осознали, что приемы математического программирования особенно хороши для формулирования задач, но модели-симуляции оказались не способны находить оптимальные решения сразу. Для этого должен был существовать иной путь, и он появился. Если можно описать задачу планирования настолько точно, чтобы просчитать значение целевой функции при любой комбинации значения переменной, то становится возможным использовать простую вычислительную мощь компьютера для поиска наилучшего решения этой задачи — такой комбинации значений переменных, при которых значение целевой функции наилучшее (см., например, «Правила поисковых решений» в работах Буффа и Тауберта).
Искусственный интеллект.
Поиск решения простым перебором по своей сути неэффективен, однако по мере роста мощности и удешевления компьютеров, а также усовершенствования поисковых алгоритмов этот поиск стал вполне оправданным практически. Серьезное совершенствование алгоритмов произошло с появлением поиска с ограничениями (см. Гловера, Гловера и др.). Поиск с ограничениями начинается с приблизительного изучения пространства решения, а затем производится детальный поиск локальных оптимумов с пропуском уже просмотренных решений. Такова эвристика поиска. Заметим, что, хотя мы опять использовали здесь тот же термин «эвристика», который встречался в предыдущем разделе, мы с его помощью обсуждаем здесь оптимизацию самой поисковой логики, а не правил для прямого нахождения решения задачи в планировании.