博客

蒙特卡罗实验是在处理不确定性时获得精确估计的一种方法。它使用随机性来获得有意义的信息，并有效地计算业务风险和预测失败，如成本或调度超支。

AnyLogic可以对高度复杂的系统进行蒙特卡罗仿真。通过多方法建模，仿真系统可以是复杂的、动态的、非线性的。这些仿真模型的结果可以来自并行处理和云计算，并可以通过多种方式提供，包括通过API和自定义UI。

在之前的博客中，我们介绍了AnyLogic Cloud JavaScript API，现在我们将介绍AnyLogic Cloud Python API。

在GitHub上，Python的受欢迎程度仅次于JavaScript，是世界上第二大受欢迎的语言。它是一种用于强化学习、数据处理和数据展示的流行语言。对于AnyLogic, Pypeline连接库允许您从运行的AnyLogic仿真模型中调用Python——查看我们的Pypeline 网络研讨会视频中了解更多信息。在本博客中，我们将重点介绍AnyLogic Cloud Python API。

ITC Infotech致力于优化复杂资产密集型行业的库存管理。通过结合仿真、机器学习和优化，展示了针对可循环/可修复备件的有效资产管理和库存优化，从而平衡服务水平和库存成本。

消耗品在其使用寿命结束时被处理或回收，与它们在失效前的运行时间长短有关。这个时间通常被量化为故障前的平均时间- MTBF。对于可修复零件，还需要考虑修复时间，这取决于缺陷类型、工作中心可用性和维修部分可用性。

我们发布了AnyLogic 8.7——最受欢迎的商业仿真工具的新版本。您可以从我们的网站上下载新版本 。 在这个版本中，我们扩展了专业库的功能、改进了动画，并引入了对人工智能模型实验的支持。

现在就开始使用AnyLogic 8.7版本，下载并尝试新功能！

2020年10月12日，在MaxRad软件在线用户体验大会上，与AnyLogic8.7和AnyLogic云开发一起预览了AnyLogic9即将推出的特性和功能。

AnyLogic 9将是一个重要的更新，会议期间，AnyLogic公司CEO Andrei Borshchev、首席软件工程师Nikolai Churkov和AnyLogic云开发主管Alexander Rakulenko透露了许多新的细节。

以下是演示录像和后续问答环节。

AnyLogic 8.6更新的关键部分与物料处理库有关。现在，诸如AGV之类的运输工具的移动可以受到区域的限制，并且可以有条件地允许进入：通过运输车数量，计划，吞吐量等等。对于制造和仓库设置，可以以多种方式应用此功能，包括对门进行建模，限制操作机械（例如起重机）时的限制，以及避免在装货区域或交叉路口造成拥挤。

如何使用AnyLogic和微软 Project Bonsai将深度强化学习应用到实际业务中。

这次网络研讨会遵循AnyLogic与微软的合作，将深度强化学习和机器教学应用到商业应用中。微软Project Bonsai团队的项目经理David Coe和AnyLogic人工智能项目负责人Arash Mahdavi演示了使用仿真训练人工智能以及在仿真中实现AI控制的端到端工作流。

Anylogistix2.11.0添加了新特性、新的示例模型和新的高级运输优化实验。anyLogistix的所有版本，包括个人学习版在内，均已更新到2.11.0。另外，现在还可以通过本地服务器对Studio版的软件进行许可证的管理和租赁。总的来说，新版本的软件扩展了anyLogistix的功能，提升了软件的易用性，能够更好的帮助用户进行供应链的设计和决策。了解更多关于新版本的亮点，请继续阅读。

AnyLogic8.6更新！在此博客中，您可以看到新的物料处理功能以及轨道库的新增功能等重要变化。继续阅读以了解更多信息。

使用仿真来训练AI智能体。AnyLogic和微软联手将Project Bonsai的深度强化学习和机器教学功能应用到实际业务中。

继续阅读，了解更多关于此次协作的信息，试用操作平台和演示模型。Let’s go!