РОЗРОБКА АДАПТИВНОГО АЛГОРИТМУ МАРШРУТИЗАЦІЇ ДЛЯ C2C ЛОГІСТИКИ ІЗ ЗАСТОСУВАННЯМ ПІДКРІПЛЮВАЛЬНОГО НАВЧАННЯ
DOI: 10.31673/2412-4338.2025.017718
Анотація
У роботі запропоновано адаптивний алгоритм маршрутизації для C2C логістики, що базується на інтеграції прогнозування попиту за допомогою довготривалої короткочасної пам'яті (LSTM) та підкріплювального навчання (Reinforcement Learning, RL). Алгоритм спрямований на оптимізацію маршрутів кур’єрів у динамічних міських умовах, де традиційні методи не забезпечують достатньої гнучкості та ефективності. Запропонований підхід дозволяє зменшити довжину маршрутів, покращити адаптивність до змін попиту та оптимізувати витрати на транспортування. Алгоритм складається з трьох ключових компонентів: прогнозування попиту, оновлення стану середовища та корекції маршрутів на основі RL. Прогнозування виконується за допомогою нейронної мережі LSTM, що дозволяє завчасно визначати області підвищеної активності замовлень та мінімізувати затримки. RL-компонент забезпечує адаптацію маршрутів у режимі реального часу, дозволяючи обирати найбільш оптимальні рішення з урахуванням змін у трафіку та логістичній мережі. Корекція маршрутів використовує прогнозовані значення попиту, значення Q-функції та оптимальну політику прийняття рішень, що підвищує ефективність використання ресурсів. Експериментальна оцінка ефективності алгоритму проводилася у симуляційному середовищі, що відтворює реальні умови міської логістики. Порівняння з традиційними алгоритмами (евристичні методи та VRP) показало, що адаптивний підхід дозволяє скоротити середню довжину маршруту на 3.3%-9.2% у залежності від кількості перерахунків. Час доставки було зменшено на 21%, а загальні витрати – на 12–17%. Проте адаптивний алгоритм вимагає більше обчислювальних ресурсів: середній час обчислення маршруту є у 2–3 рази вищим за традиційні підходи, а кількість перерахунків може перевищувати раціональний поріг у 15 разів, що потребує додаткової оптимізації. Результати підтверджують, що запропонований алгоритм є ефективним для сценаріїв із високою динамічністю та варіативністю попиту, проте його обчислювальні витрати можуть бути негативним фактором для практичного застосування. Подальші дослідження мають зосередитися на вдосконаленні алгоритмів перерахунку маршрутів, застосуванні мультиагентних систем для координації кур’єрів та інтеграції хмарних обчислень для оптимізації продуктивності.
Ключові слова: C2C логістика, адаптивна маршрутизація, підкріплювальне навчання, прогнозування попиту, мультиагентні системи, логістика останньої милі, оптимізація маршрутів, цифрові двійники, хмарні обчислення.
