| Anotācija |
Maršruta optimizācijas ierobežojumus, izmantojot spieta intelekta algoritmus, īpaši, skudru kolonijas optimizāciju, var pārvarēt, ieviešot mašīnmācīšanās algoritmu. Viens no galvenajiem ierobežojumiem ir tas, ka skudru kolonijas optimizācija atrod maršrutu, neņemot vērā satiksmes apstākļus. Pievienojot mašīnmācīšanās algoritmus, kas skudru kolonijas optimizācijas algoritmam dod informāciju par satiksmes apstākļiem, ir iespējams optimizēt maršrutu, ņemot vērā satiksmes apstākļus. Tas tiek panākts, kontrolējot skudru pievienotā feromonu daudzumu, pārvietojoties no vienas vietas uz citu. Skudru kolonijas optimizācijas algoritmam tiek pievienots mašīnmācīšanās algoritms, un mašīnmācīšanās algoritms sniedz katra ceļa satiksmes apstākļus. Tas nodrošina labāku maršruta optimizāciju, ņemot vērā satiksmes apstākļus. Piedāvātais algoritms tiek ieviests slēgtā vidē, kur tas tiek salīdzināts ar esošo algoritmu. Piedāvātais algoritms tiek salīdzināts arī ar pilnas pārlases algoritmu, lai uzzinātu, cik tuvu optimālais ceļš, ko dod piedāvātais algoritms, ir optimālajam ceļam, ko dod pilnas pārlases algoritms. Ar izstrādāto algoritmu arī tiek veikti eksperimenti, palielinot mezglu skaitu un aprēķinot tā darbības efektivitāti, rezultātus attēlojot grafikos. Piedāvātais maršruta optimizācijas algoritms pārspēja esošos algoritmus. Šīs pieejas paredzamais rezultāts ir optimizēts maršruts attiecībā uz satiksmes apstākļiem, kā rezultātā tiek izvēlēti maršruti ar mazāku satiksmes intensitāti. Tas ietekmē pašreizējo loģistikas piegādes ķēdi, jo iepriekš minētā pieeja nodrošina optimizētu maršrutu, ņemot vērā satiksmes apstākļus.
Maģistra darbs satur 68 lappuses, 35 attēlus, 15 tabulas, 35 informācijas avotus un 4 pielikumus. |
