Застосування методів штучного інтелекту для вирішення комбінованої задачі доставки вантажів

Abstract

UA : У роботі досліджено теоретичні основи та етапи розвитку логістики, проаналізовано основні аспекти транспортної логістики. За допомогою порівняльного аналізу розглянуто ефективність використання різних видів транспорту для доставки вантажів. Визначено поняття «Комбінована задача транспортної логістики», проведена класифікація цих задач. Досліджено методи штучного інтелекту, які вже використовуються у логістиці. Проаналізовано існуючі методи розв’язання комбінованих задач транспортної логістики. Розроблено та протестовано математичну модель для оптимізації логістичних процесів у контексті комбінованих задач доставки вантажів. На базі фрагментарної моделі для задач CVRP, CVRPTW, OVRP та використання методів штучного інтелекту, розроблені методи пошуку наближених розв’язків цих задач. Встановлено, що використання ШІ дозволяє знизити витрати на транспорт, підвищити точність планування маршрутів, а також адаптувати систему до змін попиту та умов. Побудовані програмні реалізації розроблених методів, проведена перевірка ефективності методів з використанням тестових баз даних, та генераторів тестових пракладів.EN : The thesis explores the theoretical foundations and stages of logistics development, analyzing key aspects of transportation logistics. Through comparative analysis, the efficiency of using different types of transport for cargo delivery is examined. The concept of "combined transportation logistics problems" is defined, and a classification of such problems is provided. Artificial intelligence methods already applied in logistics are investigated. Existing methods for solving combined transportation logistics problems are analyzed. A mathematical model for optimizing logistics processes in the context of combined cargo delivery problems is developed and tested. Based on a fragmentary model for CVRP, CVRPTW, OVRP tasks and artificial intelligence methods, approaches for finding approximate solutions to these problems are developed. It is established that the use of AI reduces transportation costs, enhances route planning accuracy, and adapts systems to changes in demand and conditions. Software implementations of the developed methods were created, and their efficiency was verified using test databases and test case generators.