Derin Öğrenme Destekli Yöntemle Gerçek Zamanlı Yük Paketlemede Büyük Başarı
Derin Öğrenme Destekli Yöntemle Gerçek Zamanlı Yük Paketlemede Büyük Başarı
Yeni bir araştırma, derin öğrenme tabanlı hibrit algoritmalarla yük taşımacılığında anlık ve verimli paketleme sağlayarak gelir kaybını %2’nin altına indiriyor.
Önemli Noktalar
- Çalışma, çevrim içi yük değişim platformlarında anlık, verimli yük paketlemesi sağlıyor.
- Derin öğrenme ve meta-sezgisel arama yöntemleri birlikte kullanıldı.
- Çözüm, mevcut yöntemlere kıyasla %2’den az gelir kaybı ile yüksek kalite sunuyor.
Araştırmanın Temeli
Modern taşımacılık lojistiğinde, çevrim içi yük değişim platformları (OFEX), yük gönderenlerle taşıyıcıları gerçek zamanlı olarak eşleştirerek operasyonların verimliliğini artırıyor. Ancak, taşımacılık işlerinin verimli biçimde bir araya getirilmesi hâlâ önemli bir darboğaz olmaya devam ediyor.
Araştırmacılar, bu karmaşık paketleme sorununu çoklu ürünlü, birden-bire alma ve teslim etme, seçmeli gezgin satıcı problemi (m1-PDSTSP) olarak modelledi. Burada amaç, kapasite, öncelik ve rota uzunluğu kısıtları altında geliri maksimize etmek.
Teknik Detaylar
Ekip, derin öğrenme hızlandırmalı bir hibrit arama yöntemi geliştirdi. Bu yöntemde, Transformer Sinir Ağı tabanlı bir yapıcı politika ile yenilikçi Çoklu Başlangıçlı Geniş Komşuluk Araması (MSLNS) meta-sezgisel yaklaşımı birlikte çalışıyor. Platform, mevcut pazar durumunu anlık görüntü olarak alıp, kısa süreli çözümleme ile en iyi paketlemeyi buluyor.
Bu yaklaşım, öğrenme tabanlı yapıcının düşük gecikmeli ve yüksek kaliteli tahminlerini, iyileştirme aramasının sağlamlığıyla birleştiriyor. Çoklu başlangıç ve uygun başlangıç noktaları sayesinde algoritma, çözüm uzayını daha etkin şekilde tarayabiliyor.
Sonuçlar ve Yenilikler
Geliştirilen yöntem, karşılaştırmalı testlerde mevcut en iyi sinirsel kombinatoryal optimizasyon ve meta-sezgisel yöntemlere kıyasla daha yüksek çözüm kalitesi ve benzer sürelerde çalışıyor. Toplam gelirdeki optimalden sapma oranı %2’nin altında kaldı.
Araştırmacılar, derin sinir ağı tabanlı yapıcıların, iyileştirme sezgisel algoritmalarına yüksek kaliteli başlangıç noktaları sunabileceğini ilk kez bu kadar güçlü şekilde gösteriyor. Bu yaklaşım, yalnızca m1-PDSTSP değil, çok daha geniş bir seçmeli gezgin satıcı ve alma-teslim problemleri sınıfında da uygulanabilir.
Kaynak
arXiv:2512.11187v1, “Deep Learning–Accelerated Multi-Start Large Neighborhood Search for Real-time Freight Bundling”
Kaynak: arxiv.org