Uyarlanabilir sürü öğrenmesiyle araç rotalamanın daha akıllı yolu geliştirildi

Lojistik ağlarının yönetimi, araç filolarının rotalanması, vardiya planlamaları ve fabrika üretim süreçleri, çok sayıda olasılığın aynı anda değerlendirilmesini gerektiren karmaşık optimizasyon sorunları içeriyor. Sisteme eklenen her yeni durak, araç veya kısıtlama, olası çözüm sayısını hızla artırarak en uygun sonuca ulaşmayı zorlaştırıyor.

Tokyo Bilim Üniversitesi öncülüğündeki Japon araştırma ekibi, bu soruna çözüm üretmek amacıyla doğadaki kuş sürüleri ve karınca kolonilerinin davranışlarından ilham alan yeni bir algoritma geliştirdi. CSPSO adı verilen model, kaotik arama yöntemi ile parçacık sürüsü optimizasyonunu aynı yapı içinde birleştiriyor.

KAOTİK ARAMANIN SINIRLARI AŞILDI

Optimizasyon problemlerinde kullanılan yöntemlerden biri olan kaotik arama, çözüm uzayını düzensiz ve tahmin edilmesi zor yollarla tarayarak sistemin verimsiz yerel çözümlere takılmasını önlemeyi amaçlıyor. Ancak yöntemin başarısı, kullanılan parametrelerin probleme uygun biçimde ayarlanmasına bağlı bulunuyor.

Parametrelerin doğru belirlenememesi, sistemin kararsız çalışmasına ve uzun süren manuel kalibrasyon süreçlerine yol açabiliyor. Araştırma ekibi, bu sorunu aşmak için kaotik arama yöntemini parçacık sürüsü optimizasyonuyla birleştirdi.

İKİ KATMANLI SÜRÜ ZEKÂSI MİMARİSİ

Yeni model, dış ve iç katmanlardan oluşan iki aşamalı bir yapı kullanıyor. Dış katmanda yer alan parçacık sürüsü optimizasyonu, kuşların veya karıncaların çevreyi tararken en verimli bölgelerde toplanmasına benzer biçimde sistem parametrelerini sürekli güncelliyor.

İç katmandaki kaotik arama ise belirlenen parametreler üzerinden en uygun rota veya planlama sonucunu bulmaya çalışıyor. Böylece sistem, çözüm ararken hem çeşitliliği koruyor hem de daha iyi sonuçlara doğru yöneliyor.

PARAMETRELERİNİ KENDİ AYARLIYOR

CSPSO modelinin temel özelliklerinden biri, parametrelerini otomatik olarak güncelleyebilmesi. Sistem, önceki denemelerden elde edilen sonuçları değerlendirerek arama sürecini yinelemeli biçimde iyileştiriyor.

Bu yapı, manuel müdahale ihtiyacını azaltırken parametre ayarlamasından kaynaklanan hata riskini de düşürüyor. Araştırmacılar, yöntemin özellikle karmaşık ve değişken koşullara sahip optimizasyon problemlerinde daha kararlı sonuçlar verdiğini belirtiyor.

Tokyo Bilim Üniversitesi Mühendislik Fakültesi’nden Profesör Tohru Ikeguchi, sürü zekâsının kaotik sinir ağının parametrelerini dinamik biçimde kontrol ettiğini, bunun da çözüm kalitesini ve sistemin dayanıklılığını artırdığını söyledi.

ARAÇ ROTALAMA PROBLEMİNDE TEST EDİLDİ

Araştırmacılar, geliştirilen algoritmayı lojistik sektöründe sık kullanılan Kapasiteli Araç Rotalama Problemi üzerinde test etti. Bu senaryoda araçların, taşıma kapasitelerini aşmadan farklı müşteri noktalarına en uygun rotayla ulaşması amaçlandı.

Testlerde CSPSO modelinin geleneksel kaotik arama yöntemleri olan CS ve CST’ye göre daha istikrarlı ve daha yüksek kaliteli çözümler ürettiği bildirildi. Yeni algoritma bazı işlemlerde daha fazla hesaplama süresine ihtiyaç duysa da parametrelerini kendi ayarlaması sayesinde uzun süren deneme-yanılma süreçlerini azaltıyor.

LOJİSTİKTEN ÜRETİM PLANLAMASINA

Yeni algoritmanın e-ticaret lojistiği, uluslararası taşımacılık, fabrika üretim planlaması, vardiya düzenlemeleri ve büyük ölçekli bilgi teknolojileri ağlarının yönetiminde kullanılabileceği belirtiliyor.

Araştırma ekibi, sistemin manuel planlama yükünü azaltarak karmaşık operasyonlarda daha istikrarlı ve uygulanabilir çözümler üretebileceğini ifade ediyor. CSPSO modelinin özellikle çok sayıda değişken ve kısıt içeren planlama problemlerinde kullanılabilecek yeni bir optimizasyon yaklaşımı sunduğu belirtiliyor.