ترکیب هوشمند الگوریتمهای GA-ACO-DRL برای بهینه سازی مسیرهای حمل و نقل دریایی مطالعه موردی بنادر خلیج فارس

در این مقاله، چارچوبی هوشمند ترکیبی متشکل از الگوریتمهای ژنتیک(GA)، بهینه سازی کلونی مورچگان(ACO) و یادگیری تقویتی عمیق(DRL) برای بهینه سازی زنجیره تامین حمل و نقل دریایی ارائه شده است. هدف اصلی، بهبود کارایی مسیرهای حمل و نقل دریایی در بنادر خلیج فارس با کاهش هزینه ها، افزایش بهره وری و بهبود زمان بندی است. مدل پیشنهادی با بهره گیری از قابلیتهای جستجوی گسترده GA، بهینه سازی محلی ACO و یادگیری تطبیقی DRL توانسته است نسبت به الگوریتمهای مرسوم کاهش چشمگیری در هزینه های لجستیکی و زمان حمل و نقل به دست آورد. نتایج شبیه سازی با داده های واقعی نشان دهنده افزایش بهره وری تا ۱۸ درصد و کاهش هزینه ها تا ۱۲ درصد نسبت به روشهای سنتی است. این پژوهش می تواند راهکاری عملیاتی برای مدیریت هوشمند لجستیک در بنادر مطرح ایران ارائه دهد.

کلیدواژه ها:

زنجیره تامین دریایی ، بهینه سازی ترکیبی ، الگوریتم ژنتیک ، بهینه سازی کلونی مورچگان ، یادگیری تقویتی عمیق ، لجستیک بنادر خلیج فارس