Formation of cargo delivery routes in a dynamic environment
Šiame darbe išanalizavome pristatymo maršrutų formavimo optimizavimo aktualumą ir esamų sprendimų apribojimus. Šiame tyrime pagrindinis dėmesys skiriamas mažų siuntų pristatymo maršrutų formavimui mieste, atsižvelgiant į dinamišką krovinių pristatymo pobūdį. Šiame darbe pateikiama įvairių algoritmų ir metodų, taikomų transporto priemonių maršruto parinkimo problemai (VRP), apžvalga. Be to, įvertinome elektrinių krovininių dviračių, kaip alternatyvos sunkvežimiams, naudojimo vežant smulkias siuntas mieste efektyvumą. Baigiamajame darbe pateikiamas išsamus genetinio algoritmo taikymo ir pastiprinimo mokymosi paaiškinimas planuojant optimalius krovinių pristatymo maršrutus dinamiškoje aplinkoje. Pristatėme sustiprinimo mokymosi modelio architektūrą, skirtą transporto priemonių maršruto nustatymo problemoms spręsti, pademonstruodami puikias apibendrinimo galimybes. Mūsų tyrime siūlomi metodai lenkia „Google“ OR įrankius, kurie remiasi euristiniais metodais. Pateikiame išsamų taikomų metodų palyginimą. Be to, pristatėme sukurtą modeliavimo modelį, galintį modeliuoti pristatymo maršrutų generavimą dinaminėje aplinkoje naudojant skirtingus algoritmus. Šis modeliavimo modelis buvo įgyvendintas kaip žiniatinklio programa.
In this work, we analyzed the relevance of optimizing the formation of delivery routes and the limitations of existing solutions. This study focuses on the formation of delivery routes for small shipments within a city, considering the dynamic nature of the cargo delivery. This paper presents a survey on various algorithms and methods applicable to Vehicle Routing Problem (VRP). In addition, we evaluated the effectiveness of using electric cargo bicycles as an alternative to trucks for transporting small consignments in the city. The paper provides a thorough explanation of applying a genetic algorithm and reinforcement learning for planning optimal routes for cargo delivery in a dynamic environment. We introduced a reinforcement learning model architecture for solving vehicle routing problems, demonstrating its great generalization capability. The methods proposed in our study outperform Google OR-tools, which relies on heuristic methods. We provide a detailed comparison of the applied methods. Furthermore, we presented a developed simulation model capable of modeling the generation of delivery routes in dynamic environments using different algorithms. This simulation model was implemented as a web application.
In dieser Arbeit haben wir die Relevanz der Optimierung der Bildung von Zustellrouten und die Grenzen bestehender Lösungen analysiert. Diese Studie konzentriert sich auf die Bildung von Zustellrouten für kleine Sendungen innerhalb einer Stadt unter Berücksichtigung der dynamischen Natur der Frachtzustellung. In diesem Beitrag wird ein Überblick über verschiedene Algorithmen und Methoden für das Vehicle Routing Problem (VRP) gegeben. Darüber hinaus haben wir die Effektivität des Einsatzes von elektrischen Lastenfahrrädern als Alternative zu Lastwagen für den Transport von Kleinsendungen in der Stadt bewertet.Das Papier bietet eine gründliche Erklärung der Anwendung eines genetischen Algorithmus und des verstärkenden Lernens für die Planung optimaler Routen für die Frachtlieferung in einer dynamischen Umgebung. Wir haben eine Modellarchitektur des Reinforcement Learning für die Lösung von Fahrzeugrouting-Problemen eingeführt und ihre große Verallgemeinerungsfähigkeit unter Beweis gestellt. Die in unserer Studie vorgeschlagenen Methoden übertreffen die Google OR-Tools, die auf heuristischen Methoden beruhen. Wir bieten einen detaillierten Vergleich der angewandten Methoden. Darüber hinaus haben wir ein Simulationsmodell entwickelt, das in der Lage ist, die Generierung von Lieferrouten in dynamischen Umgebungen unter Verwendung verschiedener Algorithmen zu modellieren. Dieses Simulationsmodell wurde als Webanwendung implementiert.