Siekėme sumažinti tuščių arba nepakankamai išnaudojamų sunkvežimių reisų skaičių - tai nuolatinė problema, su kuria susiduriama maždaug 30-40% krovinių vežimo operacijų. Dažnai sunkvežimiai veža dalinius krovinius arba net grįžta tušti, todėl yra eikvojami degalai, didėja išmetamųjų teršalų kiekis ir mažėja ekonominis efektyvumas. Šiems neefektyvumo klausimams spręsti sukūrėme sistemą, pagrįstą skruzdžių kolonijų optimizavimo (ACO) algoritmu, kuris imituoja skruzdžių maitinimosi elgseną.

Projekto apimtis

Mūsų komanda pradėjo nuo duomenų rinkimo ir parengimo, surinkdama daugiau kaip 15 000 įrašų iš Cargo.lt ir Trans.eu. Šiuose duomenyse buvo pateikta svarbiausia logistikos informacija, pavyzdžiui, atstumai, maršrutai, kainos ir kelionės laikas. Šie duomenų rinkiniai buvo kruopščiai iš anksto apdoroti ir transformuoti į formatus, tinkamus ACO pagrįstiems optimizavimo modeliams, išfiltruojant maršruto optimizavimo modeliui nereikšmingus duomenų taškus. 

Projekto esmė buvo ACO algoritmo įgyvendinimą, kai imitavome skruzdėlių maitinimosi elgesį, kad padėtume nustatyti trumpiausius ir efektyviausius maršrutus. Šis algoritmas naudojo imituojamus feromonus, kad atvaizduotų optimalius kelius, kurie, kalbant logistikos terminais, reiškia optimaliai pakrautus ir nukreiptus sunkvežimius, kurie sumažina tuščių arba iš dalies užpildytų atgalinių reisų skaičių. Šis modelis imitavo tūkstančius maršrutų, dinamiškai prisitaikydamas prie maršruto pokyčių ir krovinių pajėgumų, kad realiuoju laiku būtų pasiekti optimalūs maršrutai. Galiausiai glaudžiai bendradarbiavome su kliento IT komanda, kad ACO algoritmas būtų integruotas į jų logistikos platformą naudojant specialiai pritaikytą API, kad būtų galima sklandžiai keistis duomenimis ir užtikrinti naujausią maršruto koregavimą atsižvelgiant į krovinių prieinamumą ir sunkvežimių buvimo vietą.

Technologinis inovatyvumas

Vienas iš pagrindinių iššūkių buvo apdoroti didelius duomenų rinkinius, išlaikant galimybę pritaikyti maršrutą realiuoju laiku. Tai įveikėme taikydami Bajeso hiperparametrų optimizavimą, kuris padidino modelio gebėjimą tvarkyti didelius, dinamiškai besikeičiančius duomenis ir kartu užtikrino didelį reagavimo greitį. Kitas iššūkis buvo susijęs su integracija su esamomis logistikos platformomis, kurį pavyko išspręsti sukūrus lanksčią API pagrįstą architektūrą. Tokia konstrukcija leido nesudėtingai integruoti sprendimą, todėl sistema buvo suderinama su įvairiais logistikos duomenų šaltiniais. Skirtingai nuo statinių maršrutų planavimo priemonių, ACO algoritmas realiuoju laiku prisitaiko prie sunkvežimių prieinamumo ir krovos pajėgumų svyravimų, todėl siūlo tikslias ir dinamiškas maršrutų rekomendacijas, kurios atitinka nuolat kintančias logistikos sektoriaus sąlygas.

Ateityje

Ši sistema atnešė daug naudos, įskaitant sąnaudų sumažinimą ir didesnį poveikį aplinkai, nes buvo sumažintas tuščių krovinių gabenimas, taip sumažinant degalų sąnaudas ir išmetamųjų teršalų kiekį. Sprendime įdiegta dinaminio krovinių valdymo funkcija optimizuoja sunkvežimius, taip padidindama logistikos efektyvumą. Ši sistema sukurta taip, kad ją būtų galima lanksčiai plėsti, kai logistikos poreikiai keičiasi. Ateityje planuojame toliau tobulinti šį modelį, papildydami jį pažangiomis stebėjimo realiuoju laiku funkcijomis ir galimomis integracijomis su papildomais logistikos tinklais, taip išplėsdami jo taikymą kitiems logistikos paslaugų teikėjams, susiduriantiems su panašiomis efektyvumo ir tvarumo problemomis.