Giriş Giriş Giriş

Özerk bir araç filosu yönetimi, insanları ve malları verimli bir şekilde hareket etmek için bir araya getiren bir araç otomasyonunu, lojistik ve operasyonları araştırmasını getiriyor. Temel meydan okuma, hangi araçların nereye gittiğini ve birkaç düzine bağımsız taksiyi içeren binlerce teslimat robotunu içeren kararları veriyor - bu makale, tam anlamıyla programlama modellerinin özerk araç formülasyonunu, ortak problemleri ve en uygun veya yakın-optimal çözümlerinin nasıl inşa edildiğini açıklıyor.

Anlaş Integer Programlamayı Anlamak

Integer programlama (IP) bazı veya tüm karar değişkenlerinin tamsayı olduğu matematiksel optimizasyonun bir şubesidir, çünkü birçok operasyonel karar doğal olarak ayrı ayrı ayrıdır: bir rotaya ya da bir kamyonu sadece bir alt kümesine gönderir.

Neden Filo Yönetiminde Önemli Değişkenler

Sürekli doğrusal programlama (LP) değişkenleri gerçek bir değer alabilir. Tüm sayıları karıştırmak için çalışır, atamak, zamanlama ve yönlendirme için, kesik çözümler anlamsızdır. Örneğin, bir LP çözümü, depolamadan 1.3 araç göndermeyi önerebilir.Integer programlama güçleri için modelden tüm sayıları seçmek için çalışır, eylemlenebilir planlar.

  • [FONT:0)Binary değişkenler (0 veya 1): “does araç v ziyaret yeri i?” veya “s rotası seçili mi?” gibi evet / hayır kararları için kullanılır.
  • [FONT=0) Genel tam tamsayı değişkenleri:[Dönem:[Dönetici:0)[0]Genel tamsayı değişkenleri:[Dönem:[Dönem:[Dönem: 1) Represent count sayın: “Mosiyonları değiştirmek için görevlendirilen araçların sayısı” veya “kapıda tutulan zorunlu” gibi sayılırlar.
  • [FONT:0]Mixed-integer programlama (MIP):[[Dönetici: 1) Tamsa ve sürekli değişkenleri birleştirmektedir; örneğin, araç ataması için tam olarak değişken olan yakıt tüketimi için sürekli değişken.

Classic IP birçok durumda NP-hard, en kötü durumda çözüm zamanlarının problem büyüklüğü ile üst üste büyüdüğünü anlamamaktadır. Ancak, gelişmiş şube ve kesim algoritmaları ile modern çözücüler birçok pratik filo problemleri için büyük ölçekli örnekleri ele alabilir.

Bir Filo Yönetimi IP Modelinin Temelleri

Filo yönetimi için her tam tam tam programlama modeli üç bina bloğu paylaşır: karar değişkenleri, objektif bir işlev ve kısıtlamalar. sanat operasyonel problem için doğru temsili seçmekte.

Karar Değişkenleri

Karar değişkenleri gerçek dünya eylemlerini matematiksel terimlere dönüştürür. Özerk filo yönetimi için, tipik değişkenler şunları içerir:

  • [0] = 1 araç v lokasyondan seyahat ederse, j, 0 Aksi takdirde (binary, routing için).
  • [FONT: 1) Araç v zamanında hizmetteyse, 0 Aksi takdirde (binary, for scheduling).
  • [FONT:2) = Araç sayısı temel istasyon k (integer, depo dağıtım için) tayin edildi.

Değişken indeksleme seçeneği (aslında, zaman, yer, görev) doğrudan model boyutunu ve çözünürlükte etkiler. Sık sık sık “tav” değişkenlerini “en iyi” değişkenler kullanarak, ikili kararların sayısını azaltır.

Objektif Fonksiyonlar

Hedef, filo operatörünün ne önem verdiğini doğrulamaktadır. Common hedefler şunları içerir:

  • [FONT:0) Toplam seyahat mesafe veya zaman ayırmalıdır:) Doğrudan yakıt / enerji maliyetlerini azaltır ve yanıt verir.
  • [FONT:0) Toplam operasyonel maliyeti dikkate almak:[Dönetici:[Dönetici:0) Aracın aşınması, bakımı ve sürücüyü (eğer herhangi biri) harcamalar içerir.
  • [FONT:0) Servis taleplerinin çoğunu azaltmak:) Bazı isteklerin reddedilebileceği talep edilen sorumlu sistemlerde yeniden ilgili olarak.
  • [FONT:0)Balance kullanımı:[[DÜT 1: 1) Araç kullanımında boşluğa boş araçlar ve şişenlerden kaçınmak için kullanılabilirliğe sahip olun.

Multi-objective modeller, ağırlıklarla birkaç terim birleştirerek veya bir kısıtlama olarak bir hedef tedavi ederek oluşturulabilir (örneğin, maksimum gecikme içinde tüm istekleri en aza indirir, sonra en aza indirmek).

Eklenmeler

Sistemin operasyonel kurallarını ve fiziksel sınırlamalarını uygularlar. Özerk filolar için Anahtar kısıtlama aileleri:

  • [FONT:0)Flow koruma:[Döneticileri için, bir yere giren her araç onu terk etmelidir (Bots hariç).
  • [FONT:0)Kaptacılık kısıtlamaları: [Döntgen: 1) Araçların sınırlı sayıda yolcu veya ücret yükü ağırlığı taşıyabileceği varsayılabilir.
  • [FONT=0)Time windows:[[Dönemli: 1] Her bir top veya teslimat belirli bir aralığı içinde gerçekleşmelidir (örneğin, 2:00 PM ve 3:00 PM).
  • [FONT:0)Battery veya aralık kısıtlamaları: Özerk elektrikli araçlar, şarja ihtiyaç duyandan önce maksimum mesafeye sahiptir.
  • [FONT:0]Fleet büyüklüğü sınırları:[Dönetici: 1 ) Mevcut toplam araç sayısı sabitlenir veya değişim başına dağıtılan araç sayısı sınırlanır.
  • [FONT:0)Sekizlik:[Dönetici: 1 ) Her görev tam olarak bir araç olarak verilir (veya istek reddedilebilse sıfıra kadar).

Eklenme formülasyonu genellikle “büyük-M” tekniklerini mantıksal koşullar modellemek için kullanır, örneğin “if araç v yer i hizmet ederse, o zaman rotasında da yer j'e hizmet etmelidir.”

Yaygın Filo Optimizasyon Problemleri

Birkaç kanonik problemler, otonom filo yönetiminde defalarca ortaya çıkıyor. IP formülasyonlarını anlamak, uygulayıcıların belirli bağlamları için modeller inşa etmelerine yardımcı oluyor.

Araç Routing Problemi (VRP)

VRP birçok filo optimizasyon sistemlerinin arka kemiğidir. Bir müşteri yeri seti, tanklarda başlayan ve sonlanan araçlar tarafından ziyaret edilmelidir. Klasik formülasyon ikili değişkenleri kullanır.Dönemli çiftleri içerir ve kısıtlamalar içerir (her zaman müşteri tam bir kez ziyaret eder), alttour ortadan kaldırmak için (daha fazla zaman ayırmak için).

Basit tek bir VRP formülasyonu (zaman pencereleri olmadan) şöyle görünüyor:

min ⁇ v ⁇ (i,j) c ij · x ijv
)[Döntilmiş)
) ⁇ v ⁇ j x ijv = 1 for each müşteri i (visit her bir kez)[D)[D)[D)[D)[D)[D)[D)[0)[0)[0)[0)[0 x j= 1 for each car v (geçmiş)[değiştir | kaynağı değiştir)[değiştir | kaynağı değiştir)

Assignment and Scheduling

Filo yönetimi ayrıca, araçların geçişlerini, görevleri veya şarj istasyonlarını da içerecek şekilde atamalarını içerir.Akadedeme maliyeti (e.g., en fazla bir görev alan ve her görevin bir araçla kapıldığı zaman, birden fazla araç aynı göreve atanabilir (örneğin, yolculuk için) problem MIP'i önceki ve senkronizasyon kısıtlamalarıyla karmaşık bir zamanlama haline getirir.

Depot Konum ve Filo Kompozi

İstasyonları nerede bulmak veya satın almak için her tür araçların aynı zamanda tam programlama sorunları olduğu gibi stratejik kararlar. Örneğin, bir tesis konumu modeli, her bir depodan atanan araçların sayısı için ikili değişkenleri kullanır. Constraints, taleplerin bir servis ikizinde kaplı olmasını sağlar.

Gerçek Zaman Rebalancing

Özerk sürüş-haileme sistemleri, boş araçlar tahmin edilen talep alanlarına yeniden tahsis edilmelidir. Bu, tamsayı akışlarla minimum maliyetli bir akış olarak modellenebilir, yeni talepler geldiğinde her birkaç dakika güncellenebilir.

Çözüm Teknikleri ve Yazılım

Integer programlama modelleri kesin ve yaklaşık yöntemler karışımı kullanılarak çözülür. Seçim problem büyüklüğüne, mevcut hesaplama süresine ve çözüm kalitesi gereksinimlerine bağlıdır.

Exact Yöntemleri

  • [FONT:0]Branch ve sınır:[Dönetici:[Dönetici:0) MIP için en yaygın tam algoritma. Güvenilir bölge alt bölmelere (küresel) ve hesaplamalar, altoptimal şubelere bağlıdır.
  • [FONT:0) Uçakları: [Döneticiler, uygun bölgeyi sıkıya çıkarmak ve aramayı hızlandırmak için LP rahatlamaya eklenmiştir. Modern çözücüler, şubeleri ve kesimleri birleştirir (branch-and-cut).
  • [FONT=0]Branch ve fiyat: [Dönetici:[Dönetici:0) Problemin büyük sayıda değişkene sahip olduğu durumlarda kullanılır ( VRP’deki tüm olası rotalar gibi).

IP için lider ticari çözücüler şunları içerir:0)IBM ILOG CPLEX[DÜT:1), [[Google ORTALARI[DÜDÜ:3) ve [[DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜ

Heuristic ve Metaheuristic Methods

Problem örnekleri tam yöntemler için çok büyük olduğunda (göster ve milyonlarca talep), heuristic yaklaşımlar hızla iyi çözümler sağlar.

  • [FONT:0)Kontrative heuristics:) Bir çözüm adım adım atarak (örneğin VRP için en yakın komşu eklenti).
  • [FONT:0)Local arama:[Dönetici:[Dönetici:0) Mevcut bir çözümü küçük değişikliklerle geliştirir (2-opt, taşındı, takas).
  • [FONT:0]Metaheuristics:[Dönetici:[Dönetici:0) Yerel optima'dan kaçmak için yerel arama. örnekler, simdi ek, genetik algoritmaları, tabu arama ve büyük mahalle arama (LNS).

Birçok filo yönetimi platformları bir hibrit yaklaşım kullanıyor: yüksek kaliteli bir çözüm elde etmek için sınırlı bir süre için bir IP çözücüü çalıştırın, o zaman heuristics'i daha da geliştirmek için uygular.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Integer programlama modelleri birkaç sektör boyunca otonom araç filolarında dağıtılır.

Özerk bir Ride-Hailing (Robotaxis)

Waymo ve Cruise gibi şirketler, yolcularla araba eşleştirmek için optimizasyon kullanıyor ve boş miller ve rebalance filoları ele alıyor. Robotaxi gönderimi için tipik bir MIP (bir araç sürüş için), zaman pencereleri, batarya aralığı ve reddedilen geziler için bir ceza.

Özerk Teslimat Araçları

Nuro, Starship Technologies ve Amazon Path, son mil teslimat için küçük özerk araçların filolarını dağıtıyor.Integer programlama planları rotaları ve yüzlerce araç için zaman duyarlı teslimat pencereleri ve zaman içinde sınırlı depolama ile programlar.

Depo A Özerk Mobile Robotlar (AMRs)

Uygulama merkezleri, AMRs filosu istasyonları arasındaki raflar veya paketler hareket eder.Integer programlama koordinatları seçici ve yer görevleri alır, sıkışıklık kaçınır ve batarya şarj programları.ASIFLT:0)A 2020 araştırması Annals of Operations Research), robot görevi için bir MIP tarif eder ve% 18 oranında boş zaman azaltır.

Public Transit ve Paylaşılan Hareketlilik

Kontrol edilen ortamlardaki Özerk araçlar (havaportları, kampüsler, emeklilik toplulukları) talep etmeye adapte olan rota planlama ve planlama gerektirir.Integer programlama modelleri, hizmet düzeyi anlaşmalara saygı duyan sıraları optimize eder ve durdurur.

Meydanlar ve düşünceler

Tam programlamanın gücüne rağmen, otonom filolara uygulamak birkaç pratik engel içerir.

Ölçeği ve Zaman Zaman Zamanını Ölüyor

Günde 10.000 talep sunan 500 araç filosu, on milyonlarca değişken ve kısıtlama ile bir MIP'e yol açıyor.En uygun zaman sistemlerinde, kararlar saniyeler içinde yapılmalıdır.

Uncertainty ve Stochasticity

Seyahat süreleri, müşteri talebi ve araç kullanılabilirliği mükemmel bilinmemektedir.Deterministic IP modelleri tahminler yanlış olduğunda suboptimal olabilir. Stochastic programlama ve sağlam optimizasyon, belirsizliği işlemek için IP genişletir, ancak model karmaşıklığını artırmak yerine birçok operatörler güncel verilerle tekrar optimize eder.

Gerçek Zamanlı Sistemlerle Bütünleşme

Bir IP modeli sadece araçlardan, trafik API'lerinden canlı verileri alabilir ve kuyrukları talep edebilir. Bu, en son durumu çözücülere ve haritalara en uygun çözümü geri filo komutlarına besleyen bir yazılım mimarisi gerektirir. Latency between solution and execution must be minimal.

Fairness ve Düzenlemeler

Özerk filolar trafik yasalarına, erişim kısıtlamalarına uymalı ve muhtemelen eşitlik gereksinimlerine uymalıdır (örneğin, korumalı mahallelere hizmet etmek). Bunlar kısıtlar olarak kodlanabilir (örneğin, bölgeye verilen minimum sayıda araç) veya hedefteki yumuşak cezalar olarak kabul edilebilir.

Future Yol Tarifi

Özerk filolar için sürekli programlama birkaç sınır boyunca gelişmeye devam ediyor.

Machine Learning ile entegrasyon

ML modelleri talep modellerini, seyahat süreleri ve araç başarısızlıklarını tahmin edebilir, bu tahminleri IP modeline göre besleyebilir. Dondurma öğrenme, ayrıca IP şarj cihazı kararları alırken, yeniden yapılandırma politikaları öğrenebilir.

Dinamik ve Dağıtılmış Optimizasyon

Ortalaştırılmış IP modelleri binlerce araç için şişenck haline gelir.Decomposition planları, araçların veya bölgelerin fiyatlarla (Lagrangian rahatlama) veya konsensül (ADMM) ile koordine edilen daha küçük alt problemleri çözmelerine izin verir.

End-to-Bit optimizasyon Platformları

Yeni yazılım platformları, IP çözücüleri, simülasyonu ve simülasyonu, filo operatörlerinin hızlı bir şekilde inşa edilmesine, test etmeye ve model dağıtmalarına izin vermek için bir araya getiriyor. Low-code ve açık kaynak ortamları OLFLT:0ConOR-Tools) ve [[COIN-OR Foundation).

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Özerk araç filosu yönetimi için tam tam programlama modelleri titiz ama ödüllendirici bir uygulamadır. Karar değişkenlerini dikkatlice tanımlamak, hedefler ve kısıtlamalar, operatörler, yalnızca verimli ve duyarlı olmayan sistemleri çözebilecek ve en uygun şekilde yönetilen akıllı filo operasyonlarının temel taşı olarak kalacaktır.