Distributed Approaches to Supply Chain Simulation

The field of Supply Chain Management (SCM ) is experiencing rapid strides in the use of Industry 4.0 technologies and the conceptualization of new supply chain configurations for online retail, sustainable and green supply chains, and the Circular Economy. Thus, there is an increasing impetus to use simulation techniques such as discrete-event simulation, agent-based simulation, and hybrid simulation in the context of SCM. In conventional supply chain simulation, the underlying constituents of the system like manufacturing, distribution, retail, and logistics processes are often modelled and executed as a single model. Unlike this conventional approach, a distributed supply chain simulation (DSCS) enables the coordinated execution of simulation models using specialist software. To understand the current state-of-the-art of DSCS, this paper presents a methodological review and categorization of literature in DSCS using a framework-based approach. Through a study of over 130 articles, we report on the motivation for using DSCS, the modelling techniques, the underlying distributed computing technologies and middleware, its advantages and a future agenda, and also limitations and trade-offs that may be associated with this approach. The increasing adoption of technologies like Internet-of-Things and Cloud Computing will ensure the availability of both data and models for distributed decision-making, which is likely to enable data-driven DSCS of the future. This review aims to inform organizational stakeholders, simulation researchers and practitioners, distributed systems developers and software vendors, as to the current state-of-the art of DSCS, and which will inform the development of future DSCS using new applied computing approaches.

The Framework of 6G Self-Evolving Networks and the Decision-Making Scheme for Massive IoT

The increasingly huge amount of device connections will transform the Internet of Things (IoT) into the massive IoT. The use cases of massive IoT consist of the smart city, digital agriculture, smart traffic, etc., in which the service requirements are different and even constantly changing. To fulfill the different requirements, the networks must be able to automatically adjust the network configuration, architectures, resource allocations, and other network parameters according to the different scenarios to match the different service requirements in massive IoT, which are beyond the abilities of the fifth generation (5G) networks. Moreover, the sixth generation (6G) networks are expected to have endogenous intelligence, which can well support the massive IoT application scenarios. In this paper, we first propose the framework of the 6G self-evolving networks, in which the autonomous decision-making is one of the vital parts. Then, we introduce the autonomous decision-making methods and analyze the characteristics of the different methods and mechanisms for 6G networks. To prove the effectiveness of the proposed framework, we consider one of the typical scenarios of massive IoT and propose an artificial intelligence (AI)-based distributed decision-making algorithm to solve the problem of the offloading policy and the network resource allocation. Simulation results show that the proposed decision-making algorithm with the self-evolving networks can improve the quality of experience (QoE) compared with the lower training.

Synchronization of Local Plans for Cooperative Distributed Decision-Making

In cooperative decision-making, agents locally plan for a subset of all agents. Due to only local system knowledge of the agents, these local plans may be inconsistent to local plans of other agents. This inconsistency leads to infeasibility of the plans. This article introduces an algorithm for synchronizing local plans for cooperative distributed decision-making of multi-agent systems. The algorithm consists of two iterative steps: planning and synchronization. In the local planning step, the agents compute local decisions, referred to as plans. Subsequently, consistency of the local plans across agents is achieved using synchronization. The synchronized plans act as reference decisions to the local planning step in the next iteration. In each iteration, the local planning guarantees locally feasible plans, while the synchronization guarantees globally consistent plans in that iteration. The algorithm converges to globally feasible decisions if the coupling topology is feasible. We introduce requirements for the coupling topology to achieve convergence to globally feasible decisions and present the algorithm using a model predictive control example. Our evaluations with car-like robots show that feasible decisions are achieved.

Synchronization of Local Plans for Cooperative Distributed Decision-Making

In cooperative decision-making, agents locally plan for a subset of all agents. Due to only local system knowledge of the agents, these local plans may be inconsistent to local plans of other agents. This inconsistency leads to infeasibility of the plans. This article introduces an algorithm for synchronizing local plans for cooperative distributed decision-making of multi-agent systems. The algorithm consists of two iterative steps: planning and synchronization. In the local planning step, the agents compute local decisions, referred to as plans. Subsequently, consistency of the local plans across agents is achieved using synchronization. The synchronized plans act as reference decisions to the local planning step in the next iteration. In each iteration, the local planning guarantees locally feasible plans, while the synchronization guarantees globally consistent plans in that iteration. The algorithm converges to globally feasible decisions if the coupling topology is feasible. We introduce requirements for the coupling topology to achieve convergence to globally feasible decisions and present the algorithm using a model predictive control example. Our evaluations with car-like robots show that feasible decisions are achieved.

Distributed decision making frameworks for resource allocation in cyber-physical systems

Στην προσπάθεια υλοποίησης της πέμπτης γενιάς (5G) ασυρμάτων δικτύων, του Διαδικτύου των Πραγμάτων (Internet of Things) και του Απτού Διαδικτύου (Tactile Internet), η ανάπτυξη έξυπνων μεθόδων επικοινωνίας και υπολογισμού είναι κομβικής σημασίας. Η επόμενη γενιά ασύρματων δικτύων θα χαρακτηρίζεται από περιορισμένη διαθεσιμότητα πόρων, και έτσι στην παρούσα διατριβή προσπαθούμε να αντιμετωπίσουμε το πρόβλημα της αποτελεσματικής διάθεσης αυτών των υπολογιστικών και επικοινωνιακών πόρων, επιτυγχάνοντας παράλληλα υψηλή ποιότητα υπηρεσιών και εμπειρίας για τις συσκευές και τους χρήστες. Λαμβάνοντας υπόψιν την αλληλεξάρτηση των συσκευών, καθώς έχουν πρόσβαση και μοιράζονται κοινούς πόρους, αλλά και λόγω της αυξανόμενης νοημοσύνης που διαθέτουν, η οποία τους επιτρέπει να κάνουν οι ίδιες επιλογές με στόχο το προσωπικό τους όφελος, φαίνεται φυσική η υιοθέτηση μιας πιο ατομοκεντρικής προσέγγισης, η οποία οδηγεί σε πιο αποκεντρωμένες λύσεις. Στην παρούσα διδακτορική διατριβή εξετάσαμε τη δημιουργία πλαισίων λήψης αποφάσεων, όπου οι συσκευές εκμεταλλεύονται τις δυνατότητες του δικτύου προκειμένου να μειώσουν την κατανάλωση πόρων τους και να εκτελέσουν αποτελεσματικότερα τις εργασίες τους. Αρχικά, εξετάσαμε την επέκταση της διάρκειας ζωής της μπαταρίας κινητών συσκευών σε περιβάλλοντα επικοινωνίας μηχανή με μηχανή, προκειμένου να διασφαλιστεί η λειτουργία του συστήματος Διαδικτύου των Πραγμάτων (IoT) για μεγαλύτερο χρονικό διάστημα, λαμβάνοντας υπόψη τη διαχείριση πληροφοριών παρόμοιου περιεχομένου και εστιάζοντας στη χρήση κοινωνικών ιδιοτήτων και χαρακτηριστικών των συσκευών. Για το λόγο αυτό, προτείναμε έναν μηχανισμό συσταδοποίησης που λαμβάνει υπόψη τόσο την φυσική απόσταση και την ενεργειακή διαθεσιμότητα, όσο και το περιεχόμενο των δεδομένων που διαθέτουν, έτσι ώστε να πετύχουμε αποδοτική ομαδοποίηση των συσκευών, καθώς και να ορίσουμε έναν υψηλής ενεργειακής διαθεσιμότητας εκπρόσωπο για κάθε ομάδα. Ο εκπρόσωπος αυτός είναι υπεύθυνος για να παρέχει στις υπόλοιπες συσκευές αρκετή ισχύ για την αποστολή των δεδομένων τους μέσω ασύρματης μεταφοράς ενέργειας (Wireless Energy Transfer), τη συλλογή όλων των πληροφοριών από τις συσκευές της ομάδας του και την προώθησή τους στον σταθμό βάσης για περαιτέρω επεξεργασία. Στη συνέχεια επικυρωθήκαμε στα περιβάλλοντα Υπολογισμού στα Άκρα Πολλαπλής Πρόσβασης (Multi-access Edge Computing), όπου οι διακομιστές προσφέρουν υπολογιστικούς πόρους στους τελικούς κινητούς χρήστες. Μελετήθηκε ένα σενάριο πολλαπλών χρηστών και πολλαπλών διακομιστών στο οποίο οι χρήστες επιθυμούν να αποφορτίσουν μέρος των υπολογιστικών τους εργασιών και οι διακομιστές ορίζουν μια τιμή για την παροχή της υπηρεσίας τους. Ο χρήστης είναι σε θέση να επιλέξει τον διακομιστή στον οποίο θα στείλει τα δεδομένα του, καθώς και τον όγκο των δεδομένων που θα στείλει, ενώ ο διακομιστής θα επιλέξει την τιμή που θα χρεώσει για κάθε εργασία. Για να πετύχουμε την βέλτιστη επιλογή διακομιστή, υιοθετούμε ένα πλαίσιο ενισχυτικής μάθησης βασισμένο στα στοχαστικά αυτόματα, ενώ ο όγκος των δεδομένων καθορίζεται μέσω ενός μη-συνεργατικού παιγνίου μεταξύ των χρηστών, και η βέλτιστη τιμολόγηση καθορίζεται μέσω ενός προβλήματος βελτιστοποίησης. Η ανταλλαγή πληροφοριών μεταξύ χρηστών και διακομιστών διευκολύνεται από έναν ελεγκτή Δικτύωσης Καθορισμένης από Λογισμικό (Software Defined Networking). Στην υπόλοιπη διατριβή, εισάγαμε την έννοια των συμπεριφορικών χαρακτηριστικών των χρηστών, προκειμένου να αποτυπώσουμε το γεγονός ότι οι χρήστες δε λειτουργούν ως ουδέτεροι μεγιστοποιητές, αλλά αντίθετα επιδεικνύουν πιο περίπλοκη συμπεριφορά σε συνθήκες αβεβαιότητας. Μελετάμε ένα περιβάλλον Υπολογισμού στα Άκρα Πολλαπλής Πρόσβασης με πολλούς χρήστες και έναν διακομιστή, ο οποίος θεωρείται ως εύθραυστη πηγή κοινόχρηστων πόρων, και έτσι με βάση τη χρήση του ορίζεται και η πιθανότητα αποτυχίας εκτέλεσης των εργασιών που έχει αναλάβει, με αντίστοιχες απώλειες για τους χρήστες. Το πρόβλημα διαμορφώνεται ως ένα μη-συνεργατικό παίγνιο μεταξύ των χρηστών, με το οποίο οι χρήστες επιλέγουν τον όγκο δεδομένων που θα αποφορτώσουν στον διακομιστή. Προκειμένου να μοντελοποιηθούν αυτά τα συμπεριφορικά χαρακτηριστικά, υιοθετήσαμε τις αρχές της Θεωρίας Προοπτικής και επιλέχθηκε μια πολιτική τιμολόγησης που βασίζεται στη χρήση του διακομιστή από τους χρήστες, με σκοπό να αποτρέπεται η αλόγιστη χρήση του και να μειωθεί η πιθανότητα αποτυχίας του. Τέλος επεκτείναμε την παραπάνω ιδέα σε ένα περιβάλλον πολλαπλών χρηστών και πολλαπλών διακομιστών, όπου εμφανίζονται δυο επιπλέον προβλήματα, το πρόβλημα της επιλογής διακομιστή από τους χρήστες και την επιλογή τιμών από τους διακομιστές. Προκειμένου να αντιμετωπιστεί πιο ολιστικά το πρόβλημα, ορίσαμε την επιλογή διακομιστή και την επιλογή όγκου εκφόρτωσης ως ένα κοινό πρόβλημα βελτιστοποίησης, επιτρέποντας στους χρήστες να επιλέξουν τον συνδυασμό που μεγιστοποιεί την αντιλαμβανόμενη ωφελιμότητά τους. Για να αντιμετωπιστεί το πρόβλημα της επιλογής τιμολόγησης των υπηρεσιών, προτείναμε δύο διαφορετικές προσεγγίσεις, μια βασισμένη στη Θεωρία Παιγνίων, και μια στην ενισχυτική μάθηση, ανάλογα με τη διαθεσιμότητα πληροφορίας στο σύστημα. Το συνολικό πρόβλημα διαμορφώθηκε ως ένα παίγνιο Stackelberg όπου οι διακομιστές έχουν τον ρόλο του ηγέτη, παίρνοντας αποφάσεις για την τιμολόγηση, και οι χρήστες θεωρούνται ως ακόλουθοι, λαμβάνοντας τις αποφάσεις εκφόρτωσης των δεδομένων τους με βάση τη Θεωρία Προοπτικής.

Trusted computing in power distribution IoT: A fuzzy set theory based analysis

As emerging technologies in information security protection, trusted computing and blockchain can guarantee a safe and reliable operating environment and management mechanism in the Power Distribution IoT. Relying on the comprehensive evaluation algorithm of fuzzy mathematics set theory in this paper, a blockchain-based distributed decision-making and collaborative autonomy model for the power distribution IoT is built, and the “manageable and controllable, precise protection, visible and credible, and smart defense” security protection model is established to carry out trusted computing and privacy protection of computer blockchain IoT nodes, and the information security defense level of the distribution network is improved comprehensively.

Decentralized Production Circulation and Arrangement in Supply Chain Using Smart Operatives

Under the assumptions of complete sharing of information between organizational departments and the presence of an independent decision making authority for the entire supply chain, previous supply chain research highlights centrally controlled models. Due to information privacy, most of the facilities in the supply chain are functionally centralized in exercise. Collaboration between these functional units is most important for responding to rapid changes in customer requirements and for resolving conflicts. Intelligent Agent Systems have been shown to be effective in achieving collaboration and effective communication in the environment of distributed decision making. In this paper, intelligent agents are proposed and validated Reducing cost of a decentralized distribution planning process for development for multiple echelons, multiple products and multiple intervals.

Risk Control of Virtual Enterprise Based on Distributed Decision-Making Model

Virtual enterprise is a dynamic alliance of businesses, in which multiple members undertake joint research, development, manufacturing, operation, etc. The complexity of the relationship between business members, coupled with many new technologies or methods applied in the alliance operation, leads to more uncertain factors and difficulties in the operation and risk management of the virtual enterprise. The distributed decision-making model is a fast and effective decision-making model, in which dispersed intellectual resources and information resources are dynamically integrated through virtual organization forms and operating mechanisms, and the dynamic reorganization, result evaluation, and synthesis of the decision-making system are realized by certain control rules. On the basis of summarizing and analyzing previous research works, this paper expounded the research status and significance of the risk control of virtual enterprise; elaborated the development background, current status, and future challenges of distributed decision-making model; introduced the related works of decision-making variable calculation and constraint determination; constructed a risk control model for virtual enterprise based on distributed decision-making model; analyzed the multiobjective model and interval programming model of risk control; established a risk control approach for virtual enterprise based on distributed decision-making model; performed the optimal allocation of risk control funds and the selective optimization of backup allies; and finally conducted a case analysis. The study results show that, in view of the diversity of relationships between alliance businesses and the complexity of the distribution of cooperative areas, the distributed decision-making model can more reasonably describe the relationship between alliance members and accurately control the risks of virtual enterprise from multiple angles, which can effectively manage the risks of virtual enterprise. The study results of this paper provide a reference for further research on the risk control of virtual enterprise based on distributed decision-making model.