Интеграция машинного обучения и алгоритмов пчел с многоагентными системами для динамической задачи маршрутизации транспортных средств с временными окнами

В данной статье представлен новый подход к решению динамической задачи маршрутизации транспортных средств с временными окнами для погрузки и доставки (DVRPPDTW) путем интеграции машинного обучения (ML) с алгоритмом пчел (BA) и многоагентными системами (MAS). Предлагаемый метод использует регрессию случайного леса (RF) для динамической настройки параметров BA, повышая его адаптивность и эффективность в реальных сценариях. MAS дополнительно улучшает систему, позволяя децентрализованное принятие решений, где каждое транспортное средство действует как независимый агент, способный в реальном времени корректировать маршрут. Этот гибридный подход решает сложные задачи DVRPPDTW, оптимизируя маршруты в ответ на динамические требования и условия, что приводит к значительному сокращению общего расстояния поездок и улучшению эффективности доставки. В частности, предложенный алгоритм сократил общее расстояние поездок до 5% и увеличил количество доставок на 10% в условиях высокой динамики по сравнению с существующими методами. Анализ производительности показывает, что предлагаемый метод стабильно превосходит существующие алгоритмы, предлагая масштабируемое и надежное решение для задач реальной логистики. Результаты подчеркивают эффективность интеграции ML с метаэвристикой для оптимизации динамической маршрутизации транспортных средств, делая этот подход значительным вкладом в данную область исследований.