بهینه‌سازی مسیر توزیع در لجستیک شهری با استفاده از ترکیب الگوریتم کلونی مورچگان و شبکه‌های یادگیری گرافی

رشد سریع شهرنشینی و افزایش تقاضا برای خدمات توزیع، موجب پیچیدگی روزافزون مسائل لجستیکی در محیط‌های شهری شده است. بهینه‌سازی مسیر توزیع یکی از چالش‌های کلیدی در این حوزه به شمار می‌آید که تاثیر مستقیمی بر کاهش هزینه، صرفه‌جویی در زمان و کاهش آلایندگی محیطی دارد [1]. اگرچه الگوریتم‌های فراابتکاری نظیر کلونی مورچگان توانسته‌اند در دهه‌های اخیر نتایج ارزشمندی در حل مسئله مسیر‌یابی ارائه دهند [3]، اما ضعف آن‌ها در مدل‌سازی پویایی شبکه‌های حمل‌ونقل شهری همچنان یک محدودیت محسوب می‌شود. در این پژوهش، رویکردی ترکیبی مبتنی بر الگوریتم کلونی مورچگان و شبکه‌های یادگیری گرافی (graph neural networks) ارائه شده است. در گام نخست، داده‌های ترافیکی و محدودیت‌های شهری در قالب یک گراف پویا مدل‌سازی گردید. سپس، شبکه یادگیری گرافی برای استخراج الگوهای نهفته و پیش‌بینی تغییرات ترافیکی مورد استفاده قرار گرفت [6], [7]. در ادامه، نتایج به‌دست‌آمده به عنوان ورودی در فرآیند جستجوی الگوریتم کلونی مورچگان ادغام شد تا مسیرهای بهینه‌تری تولید شود. برای ارزیابی، مدل پیشنهادی بر روی داده‌های واقعی سامانه حمل‌ونقل شهری تهران آزمایش شد و عملکرد آن با الگوریتم‌های کلاسیک و فراابتکاری متداول مقایسه گردید. نتایج نشان داد که رویکرد ترکیبی پیشنهادی توانست میانگین زمان سفر را تا 14 درصد و هزینه سوخت را تا 11 درصد نسبت به روش‌های مرجع کاهش دهد. این دستاورد نشان می‌دهد که استفاده از یادگیری گرافی در کنار فراابتکاری‌ها می‌تواند چارچوبی موثر برای توسعه سامانه‌های لجستیک هوشمند در شهرهای بزرگ فراهم آورد.