Модели принятия решений с применением инструментов искусственного интеллекта при планировании интермодальных маршрутов
Аннотация
В настоящее время индустрия контейнерных перевозок активно развивается благодаря внедрению новых технологий и современных информационных систем. Они позволяют оптимизировать процессы управления цепочками поставок и автоматизировать транспортно-логистические процессы, что в свою очередь повышает эффективность управления. При этом, одной из важных задач при планировании интермодальной перевозки является выбор оптимального маршрута, что напрямую влияет на стоимость и скорость доставки груза. Для ее решения необходимо разработать инструмент, с помощью которого будет возможно оперативно анализировать все сценарии перевозки, выбирать оптимальный маршрут и предлагать его клиенту. В статье рассматриваются существующие методы машинного обучения, применяемые для оптимизации маршрута транспортных средств. Основная цель данной статьи заключается в исследовании разработанных решений для их дальнейшего применения в транспортно-логистических процессах. Внедрение изученных инструментов поможет участникам транспортно-логистического рынка эффективно сопоставлять инфраструктурные возможности с возникающим спросом на перевозки.
Об авторах
В. А. Лондарь
Российский университет транспорта
Россия
Россия
Аспирант
Москва
Н. Ю. Лахметкина
Российский университет транспорта
Россия
Россия
К.т.н., доцент
Москва
AuthorID: 528739
Список литературы
1. Транспортная стратегия Российской Федерации на период до 2030 года утвержденная распоряжением Правительства Российской Федерации от 22 ноября 2008 года № 1734-р.
2. Бубнова Г.В. Цифровая логистика – инновационный механизм развития и эффективного функционирования транспортно-логистических систем и комплексов / Г.В. Бубнова, Б.А. Лёвин // International Journal of Open InformationTechnologies. – 2017. – №3. – C.72–78. EDN XYBPGP.
3. Joe, W., Lau, H.C.: Deep reinforcement learning approach to solve dynamic vehicle routing problem with stochastic customers. In: Proceedings of the International Conference on Automated Planning and Scheduling, vol. 30, pp. 394–402 (2020)
4. Nazari, M. R., Oroojlooy, A., Snyder, L., Takac, M.: Reinforcement learning for solving the vehicle routing problem. In: Advances in Neural Information Processing Systems, pp. 9860–9870 (2018)
5. Nalepa, J.: Wheremachine learning meets smart delivery systems. In: Smart Delivery Systems. pp. 203–226. Elsevier (2020)
6. Kool,W., Van, H.,Welling, M.: Attention, learn to solve routing problems! arXiv:1803.08475 [cs, stat] (2019)
7. Lu, H., Zhang, X., Yang, S.: A learning-based iterative method for solving vehicle routing problems. In: Presented at the International Conference on Learning Representations Sept 25 (2019)
8. Yu, J.J., Yu, W., Gu, J.: Online vehicle routing with neural combinatorial optimization and deep reinforcement learning. In: Presented at the IEEE Transactions on Intelligent Transportation Systems 20, 3806–3817 (2019)
9. Zhao, J., Mao, M., Zhao, X., Zou, J.: A hybrid of deep reinforcement learning and local search for the vehicle routing problems. IEEE Trans. Intell. Transport. Syst. 1–11 (2020)
10. Kalakanti, A.K., Verma, S., Paul, T., Yoshida, T.: RL SolVeR Pro: reinforcement learning for solving vehicle routing problem. In: 2019 1st InternationalConference on Artificial Intelligence and Data Sciences (AiDAS), pp. 94–99. IEEE, Ipoh, Perak, Malaysia (2019)
11. Lin, B., Ghaddar, B., Nathwani, J.: Deep reinforcement learning for electric vehicle routing problem with time windows arXiv:2010.02068 [cs, math, stat] (2021)
12. Tomljenovic, V., Merzifonluoglu, Y. & Spigler, G. Optimizing inland container shipping through reinforcement learning. Annals of Operations Research (2024) https://doi.org/10.1007/s10479-024-05927-4.
Рецензия
Для цитирования:
Лондарь В.А., Лахметкина Н.Ю. Модели принятия решений с применением инструментов искусственного интеллекта при планировании интермодальных маршрутов. Логистика и управление цепями поставок. 2024;21(1):52-61.
For citation:
Londar V.A., Lakhmetkina N.Y. Decision-making models using artificial intelligence tools in planning intermodal routes. Logistics and Supply Chain Management. 2024;21(1):52-61. (In Russ.)
Просмотров:
49
Послать статью по эл. почте 