بهینه سازی مسیر توزیع در لجستیک شهری با استفاده از ترکیب الگوریتم کلونی مورچگان و شبکه های یادگیری گرافی

رشد سریع شهرنشینی و افزایش تقاضا برای خدمات توزیع موجب پیچیدگی روزافزون مسائل لجستیکی در محیط های شهری شده است. بهینه سازی مسیر توزیع یکی از چالش های کلیدی در این حوزه به شمار می آید که تاثیر مستقیمی بر کاهش هزینه، صرفه جویی در زمان و کاهش آلایندگی محیطی دارد. اگرچه الگوریتم های فراابتکاری نظیر کلونی مورچگان توانسته اند در دهه های اخیر نتایج ارزشمندی در حل مسئله مسیریابی ارائه دهند اما ضعف آن ها در مدل سازی پویایی شبکه های حمل ونقل شهری همچنان یک محدودیت محسوب می شود. در این پژوهش رویکردی ترکیبی مبتنی بر الگوریتم کلونی مورچگان و شبکه های یادگیری گرافی (Graph Neural Networks) ارائه شده است. در گام نخست داده های ترافیکی و محدودیت های شهری در قالب یک گراف پویا مدل سازی گردید، سپس شبکه یادگیری گرافی برای استخراج الگوهای نهفته و پیش بینی تغییرات ترافیکی مورد استفاده قرار گرفت. در ادامه نتایج به دست آمده به عنوان ورودی در فرایند جستجوی الگوریتم کلونی مورچگان ادغام شد تا مسیرهای بهینه تری تولید شود. برای ارزیابی مدل پیشنهادی، بر روی داده های واقعی سامانه حمل ونقل شهری تهران آزمایش شد و عملکرد آن با الگوریتم های کلاسیک و فراابتکاری متداول مقایسه گردید. نتایج نشان داد که رویکرد ترکیبی پیشنهادی توانست میانگین زمان سفر را تا ۱۴ درصد و هزینه سوخت را تا ۱۱ درصد نسبت به روش های مرجع کاهش دهد. این دستاورد نشان می دهد که استفاده از یادگیری گرافی در کنار فراابتکاری ها می تواند چارچوبی موثر برای توسعه سامانه های لجستیک هوشمند در شهرهای بزرگ فراهم آورد.

کلیدواژه ها:

بهینه سازی مسیر ، لجستیک شهری ، کلونی مورچگان ، شبکه های یادگیری گرافی ، حمل ونقل هوشمند