Исследование методов многокритериальной оптимизации логистики на основе гибридных эволюционно‑предиктивных моделей
Аннотация
Обоснование. В исследовании обосновано применение эволюционных методов, прежде всего генетических алгоритмов, для стратегического и операционного планирования перевозок в организационно-технических системах. Генетические алгоритмы (GA) хорошо работают в многофакторных задачах с конфликтующими критериями и жёсткими ограничениями. В работе предложен гибрид GA-ML: предиктивные модели времени, выбросов и риска формируют распределения неопределённостей и «суррогатную» оценку пригодности, что ускоряет поиск Парето-компромиссов при соблюдении SLA и экологических требований.
Цель – повышение эффективности управления перевозками путём внедрения гибридного GA-ML для многокритериальной оптимизации с вероятностными ограничениями по срокам и CO2.
Материалы и методы. Экономико-математическое и статистическое моделирование; генетические алгоритмы с адаптивными операторами; машинное обучение для прогнозов времени/рисков/выбросов; нормировка критериев, вероятность исполнения 1 - α, 1 - β; сравнение с LP, имитацией отжига и доменными эвристиками.
Результаты. Показано устойчивое улучшение сводной цели J(π), снижение доли нарушений окон и нормированных выбросов при меньшем числе «дорогих» пересчётов благодаря суррогату . Гибрид формирует более широкий и равномерный Парето-фронт, демонстрирует предсказуемую чувствительность к весам приоритетов и устойчивость в стресс-сценариях. Полученные принципы применимы при проектировании и эксплуатации маршрутных схем, расписаний и политик сервиса.
EDN: GHNESC
Скачивания
Литература
Aarts, E. H. L., De Bont, F. M. J., Habers, J. H. A., & Van Laarhoven, P. J. M. (1986). A parallel statistical cooling algorithm. In Proceeding of the 3rd Annual Symposium on Theoretical Aspects of Computer Science. Lecture Notes in Computer Science (Vol. 210, pp. 87–97). https://doi.org/10.1016/0167-9260(86)90002-7
Aly, A. H., & Peralta, R. C. (1999). Comparison of a genetic algorithm and mathematical programming to the design of groundwater cleanup systems. Water Resources Research, 35(8), 2415–2425. https://doi.org/10.1029/1998WR900128
Aytug, H., & Koehler, G. (2000). New stopping criterion for genetic algorithms. European Journal of Operational Research, 126(3), 662–674. https://doi.org/10.1016/S0377-2217(99)00321-5. EDN: https://elibrary.ru/AIIMMT
Borzenkov, A. M., Ostroukh, A. V., Pronin, C. B., Podberezkin, A. A., & Kuftinova, N. G. (2024). Multi criteria analysis of genetic algorithm applications in transportation logistics. In 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED) (pp. 1–4). Moscow, Russian Federation. https://doi.org/10.1109/TIRVED63561.2024.10769798
Beasley, D., Bull, D. R., & Martin, R. R. (1993). An overview of genetic algorithms: Part 2, research topics. University Computing, 15, 56–69. Retrieved from: https://orca.cardiff.ac.uk/id/eprint/64436
Bonomi, E., & Lutton, J. L. (1984). The N city travelling salesman problem, statistical mechanics and the Metropolis algorithm. SIAM Review, 26(4), 551–568. Retrieved from: https://www.jstor.org/stable/2030978
Chambers, L. (2000). Practical handbook of genetic algorithms: Applications (2nd ed.). New York: CRC Press, 544 pp. https://doi.org/10.1201/9781420035568
Casotto, A., Romeo, F., & Sangiovanni Vincentelli, A. (1987). A parallel simulated annealing algorithm for the placement of macro cells. IEEE Transactions on C.A.D., CAD 6(5), 838–847. https://doi.org/10.1109/TCAD.1987.1270327
Goldberg, D. E. (1989). Genetic algorithms in search, optimization and machine learning. Massachusetts: Addison Wesley. https://doi.org/10.5555/534133
Gen, M., & Cheng, R. (2000). Genetic algorithms and engineering optimization. New York: John Wiley. https://doi.org/10.1002/9780470172261
Guo, K., Yang, M., & Zhu, H. (2019). Application research of improved genetic algorithm based on machine learning in production scheduling. In Neural Computing and Applications (pp. 1–12). London, UK: Springer. https://doi.org/10.1007/s00521-019-04571-5. EDN: https://elibrary.ru/FKEARJ
Hong, T. P., & Hong Shung, W. (1996). A dynamic mutation genetic algorithm. In 1996 IEEE International Conference on Systems, Man and Cybernetics. Information Intelligence and Systems (Vol. 3, pp. 2000–2005). https://doi.org/10.1109/ICSMC.1996.565436
Kiselev, S. A., Podberezkin, A. A., Borzenkov, A. M., Ostroukh, A. V., & Pronin, C. B. (2025). Dynamic pricing in air cargo: Machine learning and genetic algorithm based optimization. In 2025 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF) (pp. 1–5). St. Petersburg, Russian Federation. https://doi.org/10.1109/WECONF65186.2025.11017136. EDN: https://elibrary.ru/UUQQVD
Ostroukh, A. V., Kuftinova, N. G., Pronin, C. B., Ivanov, A. M., & Silakov, A. V. (2024). Implementing suburban transport demand planning with metaverse and digital twin models. In 2024 Systems of Signals Generating and Processing in the Field of on Board Communications (pp. 1–5). Moscow, Russian Federation. https://doi.org/10.1109/IEEECONF60226.2024.10496746. EDN: https://elibrary.ru/YPGYRW
Ruilian, Z., & Shanshan, L. V. (2007). Neural network based test cases generation using genetic algorithm. In 13th IEEE International Symposium on Pacific Rim Dependable Computing (pp. 97–100). IEEE. https://doi.org/10.1109/PRDC.2007.50
Wang, Y. M., & Yin, H. L. (2018). Cost optimization problem with a soft time window based on an improved fuzzy genetic algorithm for fresh food distribution. Mathematical Problems in Engineering, 1–16. https://doi.org/10.1155/2018/5743287
Copyright (c) 2025 Aleksandr M. Borzenkov, Cezar B. Pronin, Aleksandr A. Podberezkin, Andrey V. Ostroukh, Artyom M. Shmonin
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
