✈️ Оптимизация логистики: ИИ для идеальной цепочки поставок 🚢

Представьте: у вас есть заводы, склады и магазины по всей стране. Как распределить товары, чтобы минимизировать затраты и удовлетворить спрос? Мы создали в Engee мощную модель, которая решает эту задачу!

Что умеет система:
📊 Оптимизировать распределение продукции между заводами, складами и точками продаж, находя баланс между стоимостью производства и доставки.
📜 Учитывать реальные ограничения: производственные мощности, ёмкость складов, спрос покупателей.
👥 Автоматически назначать каждый магазин к определённому складу, исключая неэффективные логистические цепочки.

Технологический стек:
🆒 Julia & JuMP для высокопроизводительных вычислений
🎯 Решатель HiGHS для задач смешанно-целочисленного программирования
📈 Визуализация для наглядного представления оптимальных маршрутов

Результат работы модели:
✔️ На тестовых данных система рассчитала глобально оптимальный план
✔️ Определила, какие склады использовать, а какие — нет
✔️ Построила эффективные цепочки поставок
✔️ Гарантированно находит решение с наименьшими возможными затратами

👉 Исследуйте этот проект в Engee и протестируйте на своих данных 💼

🧑‍🎓 25.11 Тренинг: Проектирование систем связи
🧑‍🎓 27.11 Вебинар: Пакет поддержки Arduino
✔️ 03.12 День Engee 2025 в Политехе (СПб)

А ваша компания сталкивалась с логистическими сложностями?
Как думаете, насколько такие модели могут помочь в реальном бизнесе? 💬

🔧 Engee: раскрываем возможности нашего нового языка физического моделирования

Друзья! Сегодня подробно разберем ключевые возможности языка физического моделирования — новой уникальной возможности среды моделирования Engee.

Что такое язык физического моделирования в Engee?

Это отечественный аналог Modelica и языка Simscape — специализированный инструмент для описания физических систем через уравнения, а не императивный код. С его помощью вы создаете любые собственные компоненты, точно описывая внутреннюю физику процессов.

Ключевые возможности

Создание пользовательских компонентов
🔹описывайте физику процессов напрямую через уравнения
🔹формируйте собственные библиотеки компонентов под специфические задачи
🔹расширяйте функциональность платформы без ограничений

Автоматизация математической формализации
🔹Engee автоматически формирует дифференциальные уравнения системы
🔹Вы получаете готовую математическую модель без ручного вывода уравнений

Интеграция с другими моделями
🔹комбинируйте физические блоки с обычными подсистемами
🔹подключайте пользовательский код на C
🔹используйте готовые библиотечные блоки

Где применить?
✔️моделирование электродвигателей и силовых преобразователей
✔️проектирование гидравлических и пневматических систем
✔️разработка систем терморегулирования
✔️создание цифровых двойников оборудования
✔️прототипирование алгоритмов управления

👉 Изучите уже готовые демонстрационные проекты:
🔗 Модель двигателя постоянного тока
🔗 Язык физического моделирования Engee - Резистор

Не пропустите:
🧑‍🎓 27.11 Вебинар: Пакет поддержки Arduino
📌 03.12 День Engee в Политехе (СПб)

🔥 Питер, мы возвращаемся!

3 декабря — «День Engee в Политехе», и это будет НЕ конференция.
Это техношоу, где всё можно трогать, запускать, ломать и допрашивать инженеров прямо у стендов.

Мы не были в Петербурге с весны 2024-го, и за это время Engee сильно выросла и окрепла, особенно в части поддержки “железа”. Поэтому специально для вас везём живые стенды, которые лучше любого доклада объясняют, зачем вообще нужно моделирование:

🚀 Что можно будет пощупать:
🔹 Цифровой полигон по управлению полётом ЛА — тот самый стенд, куда приходят настоящие пилоты;
🔹 HIL-комплекс для Транспорта: CAN, Unity — всё крутится в реальном времени;
🔹 Испытательный комплекс реального времени для Электроэнергетики: стенд для моделирования аварий в сети, которые локализует и ликвидирует испытуемый терминал защит линий электропередачи БМРЗ-150;
🔹 Радиотехника: стенд ФЦО, передача видеопотока и SDR USRP;
🔹 Мехатроника и роботы: манипулятор, Arduino, ОВЕН — интеграции без магии.

И параллельно короткие доклады без воды, где инженеры расскажут, что реально работает в авиации, транспорте, энергетике и АСУ ТП.

Если вы из Питера или готовы приехать — не пропустите!
Мы приедем ненадолго, и следующая возможность может быть нескоро.

📍 3 декабря, Политех, Точка кипения

❗️ Вход бесплатный, но необходимо зарегистрироваться на площадке заранее — места ограничены.

Релиз 25.11 📅☁️❄️

Привет, ноябрь!
Для нас последние 30 дней стали месяцем действий: мы не только провели для вас яркий День Engee 2025 и целую россыпь полезных тренингов, но и готовим будущие эвенты, которые будут не менее интересны:

🧑‍🎓 27.11 Вебинар: Пакет поддержки Arduino
📌 03.12 День Engee в Политехе (СПб)
🧑‍🎓 17.12 Моделирование радиолокационных систем

А ещё мы, как и всегда, наполнили Engee свежими функциями и блоками. Наша цель — сократить вашу рутину и увеличить КПД. Всё, что появилось в ноябре, уже ждёт вас на Engee.com.

Самое важное в обновлении:
✨Пакет поддержки L-Сard 502;
✨Поддержка Steady-state для Load Flow Source;
✨Несохраненные изменения в редакторе масок;
✨Возможность скрыть имя отдельных блоков;
✨Новая логика распределения портов по стороне блока;
✨Улучшения генератора кода;

А еще:
✔️Новые блоки и функции в библиотеках Базовая, Газ, Связь, ЦОС, РЧ, Механика, Электричество, Гидравлика, Оборудование и КПМ РИТМ;
✔️Поддержка Enabled Subsystem для генерации Verilog;
✔️Поддержка блока «РИТМ Спектр»;
✔️Новое поведение графиков при закрытии моделей;
✔️Новые статьи в Документации и новые Примеры;

Подробности — в разделе Что нового 25.11.
До встречи в Engee! 💼

🏅Программа поддержки авторов Engee: первые результаты!

Первый участник Программы поддержки авторов Engee дошёл до публикации по направлению «Научная работа»!

Поздравляем Петрову Айгуль Камиловну (ЛЭТИ) сразу с тремя статьями, в которых Engee используется для решения инженерных задач. Cтатьи проиндексированы в реферативной базе данных Scopus:

1️⃣«Исследование объединения нечёткой логики и нейронных сетей»
Сообщество Engee | Scopus

2️⃣«Кластеризация результатов анкетирования»
Сообщество Engee | Scopus

3️⃣«Моделирование управления давлением в трубопроводе в Engee»
Сообщество Engee | Scopus

Вот что говорит сама Айгуль Камиловна о своих исследованиях:

«Я выбрала тему кластеризации, так как было интересно поисследовать обратную связь студентов с помощью Engee, а нечёткую логику и нейросети я использовала в кандидатской диссертации и продолжила эту тему... Платформа Engee помогла, она достаточно удобна»

Программа поддержки авторов Engee — это возможность получить:
🔹денежные гранты до 500 тыс. рублей
🔹лицензии и вычислительное пространство
🔹приоритетную техническую поддержку
🔹доступ к ранним версиям
🔹продвижение публикаций и освещение на мероприятиях

👉 Подать заявку на участие в программе поддержки авторов Engee по ссылке

🏛️ День Engee в СПб — уже в ближайшую среду. До встречи!

🚨 Последний шанс!

Регистрация на День Engee в Политехе закрывается сегодня, это финальный вызов❗️

Мест остаётся всё меньше, а следующий приезд команды в Петербург может быть очень нескоро.

👉 Регистрация 👈

Нейросеть, которая учится играть прямо в консоли! 🐦👉🤖

Правда ли, что ИИ может сам научиться играть в культовую аркаду?
И правда ли, что для этого не нужны ни TensorFlow, ни PyTorch — только чистая Julia?

Мы решили проверить это на самой беспощадной игре детства — Flappy Bird.

Мы перенесли знаменитую игру на чистый Julia и обучили две разные сети: простую полносвязную и свёрточную (CNN). Всё это — чтобы на практике показать, как можно учить алгоритмы принимать решения. Никаких фреймворков, никакой графики: только код, эволюция и псевдографика прямо в терминале.

🔍 Почему этот пример хорошо подходит для обучения:

🔹Эволюционный подход вместо backprop-а: сеть развивается через пробу, ошибку и «естественный отбор» лучших экземпляров.
🔹Две архитектуры для сравнения: видно, как по-разному CNN и полносвязная сеть «видят» одну и ту же игру.
🔹Прозрачность процессов: каждый шаг обучения открыт: от получения состояния игры до выбора действия.

Минимум «магии»: только базовые структуры данных и простая математика.

Всего через 14 поколений «птица» стабильно набирала 58 очков — и могла бы и больше. В проекте мы показали, какая архитектура справилась лучше и почему иногда простая сеть выигрывает у более сложной CNN.

🔥 Заглядывайте под капот AI: Читать и скачать 🔗

Не пропусти последний вебинар 2025 года:
🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee

Оптимизация потоков в сетях массового обслуживания

Друзья, сегодня расскажем об интересном практическом проекте в Engee.

🔧 Задачи распределения нагрузки в сетях — привычная инженерная рутина для телекома, логистики, энергетики и любых распределенных систем. В проекте рассматривается задача оптимизации распределения нескольких независимых потоков в сети, представленной ориентированным графом. Каждая линия графа имеет ограниченную пропускную способность, а каждый поток может использовать один или несколько допустимых маршрутов. Требуется построить конфигурацию распределения, минимизирующую суммарную загрузку узлов и каналов.

Для оптимизации используется мощный алгоритм Ipopt с настраиваемыми параметрами:

model = Model(Ipopt.Optimizer)
set_optimizer_attribute(model, "max_iter", 2^18)
set_optimizer_attribute(model, "constr_viol_tol", 2.0^-32)
set_optimizer_attribute(model, "tol", 2.0^-32)
@variable(model, x[1:nVars])

1️⃣ Постановка задачи

Сеть задается матрицей смежности, где веса соответствуют пропускной способности линии связи. Потоки описываются матрицей смежности, где для каждого потока задана интенсивность λᵢ.

Каждый канал моделируется как система массового обслуживания типа M/M/1:

🟡входящий поток — пуассоновский;
🟡время обслуживания — экспоненциальное;
🟡интенсивность обслуживания — μ.

Целевая функция определяется как сумма загруженности всех линий связи, где каждая линия учитывается независимо.

2️⃣ Построение модели

1. Импорт матрицы структуры системы. Из неё строится граф, где дуги — потенциальные маршруты, а веса — доступные пропускные способности.
2. Определение всех допустимых маршрутов для каждого потока (поиск путей в графе) и набор возможных комбинаций распределения.
3. Формирование параметров M/M/1 для каждого канала: коэффициенты μ выбираются из таблицы структуры, λ — переменные оптимизации.

3️⃣ Нелинейная оптимизация

Оптимизатор автоматически подбирает комбинации значений, уменьшающие нагрузку наиболее загруженных каналов. На практике получаем перераспределение потоков на обходные ветви, локальное «разгрузочное» поведение, снижение суммарного ожидаемого времени обслуживания.

4️⃣ Ключевые наблюдения по результатам

🟢Один из потоков автоматически «уходит» через альтернативный маршрут, уменьшая коэффициент загрузки центрального канала почти на треть.
🟢По визуализации графа видно, что оптимизация активирует резервные пути, которые при ручной настройке зачастую игнорируются.
🟢Изменение интенсивности одного потока влияет на весь набор маршрутов — модель показывает чувствительность системы.

🔗 Подробный расчёт, код, графики и формулы — в публикации

Запустите задачу в Engee, и вы получите:
✔️оптимальные маршруты для каждого потока;
✔️коэффициенты загрузки каналов до и после оптимизации;
✔️графики зависимостей времени ответа M/M/1 от интенсивности;
✔️визуализацию сети с раскраской по загрузке каналов;
✔️рекомендации по укреплению узких мест (увеличение пропускной способности или снижение нагрузки).

Хороших вам выходных! 💼

🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee