بهینه سازی مسیرهای حمل و نقل لجستیکی با استفاده از هوش مصنوعی: رویکردهای یادگیری ماشین و کاربردهای عملی

هزینه های بالای حمل و نقل لجستیکی در ایران به دلیل محدودیت های زیرساختی ترافیک، پیچیدگی و نوسانات اقتصادی مانند تحریم ها چالشی اساسی برای زنجیره تامین و صنایع مرتبط است. این پژوهش با هدف بهینه سازی مسیرهای حمل و نقل از طریق رویکردی ترکیبی مبتنی بر هوش مصنوعی الگوریتم های یادگیری (تقویتی مانند Q-Learning) و برنامه ریزی خطی مختلط (MILP) را ادغام می کند تا کارایی سیستم های لجستیکی را افزایش دهد. داده های ترافیکی شهر تهران شامل سرعت متوسط، نقاط پرترافیک و الگوهای روزانه و اطلاعات تقاضای یک شرکت لجستیکی با ناوگان ۵۰ کامیون در بازه شش ماهه فروردین تا شهریور ۱۴۰۳ جمع آوری شد. مدل پیشنهادی با استفاده از نرم افزار Python و کتابخانه های TensorFlow برای پیاده سازی یادگیری تقویتی و Gurobi برای حل مسائل بهینه سازی اجرا شد. معیارهای ارزیابی شامل زمان تحویل، هزینه سوخت، انتشار کربن و دقت پیش بینی تقاضا بودند. نتایج نشان داد که مدل ترکیبی زمان تحویل را ۲۷.۶ درصد، هزینه سوخت را ۲۵.۶ درصد و انتشار کربن را ۲۸.۶ درصد نسبت به روش های سنتی مانند الگوریتم نزدیک ترین همسایه کاهش داد. ادغام داده های اینترنت اشیا (IoT) با مدل هوش مصنوعی، دقت پیش بینی تقاضا را تا ۱۸ درصد بهبود بخشید و امکان ردیابی پویا مسیرها را فراهم کرد. این چارچوب نه تنها با شرایط بومی ایران از جمله الگوهای ترافیکی متغیر و محدودیت های زیرساختی سازگار است بلکه به کاهش هزینه های عملیاتی و دستیابی به اهداف توسعه پایدار مانند کاهش انتشار گازهای گلخانه ای کمک می کند. این مطالعه راهکاری عملی و مقیاس پذیر برای بهبود کارایی لجستیک در صنایع ایرانی ارائه می دهد و پیشنهاد می کند تحقیقات آینده بر گسترش مدل به حمل و نقل بین شهری ادغام با وسایل نقلیه خودران بهینه سازی در شرایط بحران مانند بلایای طبیعی یا تحریم های اقتصادی، توسعه الگوریتم های کم هزینه برای شرکت های کوچک و تحلیل اثرات زیست محیطی بلندمدت تمرکز کنند با توجه به پتانسیل هوش مصنوعی در تحول زنجیره تامین این پژوهش می تواند پایه ای برای سیاست گذاری های دولتی و صنعتی در حوزه حمل و نقل هوشمند باشد.

کلیدواژه ها:

الگوریتم های ترکیبی بهینه سازی مسیر حمل و نقل لجستیکی ، یادگیری تقویتی ، هوش مصنوعی