تحسين المسارات متعددة المحطات لأساطيل التوصيل في الميل الأخير
يواجه التوصيل في الميل الأخير مشكلة رياضية لا يدرك معظم الأشخاص خارج قطاع اللوجستيات مدى تعقيدها. عندما يكون لدى السائق 10 محطات، هناك حوالي 3.6 مليون تسلسل ممكن للمسار. عند 20 محطة، يقفز الرقم إلى ما يقارب 2.4 كوينتيليون. أما سائق التوصيل النموذجي الذي يقوم بـ 120-150 محطة يومياً؟ فإن عدد التسلسلات الممكنة يحتوي على أرقام أكثر من عدد الذرات في الكون المرصود.
هذه هي مسألة البائع المتجول بشكل مضاعف، وهي السبب في أن سائق التوصيل يبدو أحياناً وكأنه يدور في حلقات. لا تستطيع أدوات التوجيه التقليدية البحث في أكثر من جزء ضئيل من التسلسلات الممكنة، لذلك تستخدم اختصارات تنتج مسارات جيدة بما يكفي لكنها بعيدة كل البعد عن المثالية. يغير التحسين متعدد المحطات القائم على الذكاء الاصطناعي هذه المعادلة بشكل جذري.
لماذا الميل الأخير أصعب مما يبدو
تحسين النقل بالشاحنات لمسافات طويلة بسيط نسبياً. لديك نقطة انطلاق واحدة، ووجهة واحدة، وعدد قليل من نقاط التوقف، والمتغيرات الرئيسية هي تكلفة الوقود والوقت. أما التوصيل في الميل الأخير فهو حيوان مختلف تماماً لعدة أسباب.
كثافة المحطات شديدة. في المناطق الحضرية، قد يكون لدى السائق 15 محطة ضمن مبنى سكني واحد. قرارات التوجيه على هذا المستوى تتعلق بأي جانب من الشارع يجب الوقوف فيه، وما إذا كان يجب حمل الطرود سيراً إلى ثلاثة مبانٍ متجاورة قبل تحريك الشاحنة، وما إذا كان يجب الوقوف المزدوج لمدة 90 ثانية أو الدوران حول المبنى للعثور على مكان قانوني.
النوافذ الزمنية تتداخل وتتعارض. العميل أ يريد التوصيل بين الساعة 10 صباحاً والظهر. العميل ب، على بعد نصف ميل، يريد التوصيل بين الساعة 9 صباحاً و11 صباحاً. العميل ج، حول الزاوية، يريد التوصيل بين الساعة 11 صباحاً والساعة 1 ظهراً. التنقل بين النوافذ المتداخلة مع تقليل التراجع هو مشكلة إرضاء قيود تزداد صعوبة بشكل أسي مع زيادة المحطات.
خصائص الطرود مهمة. المسار الذي يبدو مثالياً على الخريطة قد يكون سيئاً في الممارسة إذا كان يتطلب من السائق تفريغ طرود ثقيلة من مؤخرة شاحنة ممتلئة للوصول إلى طرود أخف يجب تسليمها أولاً. الأنظمة الذكية تحسن تسلسل التحميل إلى جانب تسلسل المسار، بحيث يكون التسليم التالي دائماً في متناول اليد دون إعادة ترتيب الشاحنة.
الجغرافيا الحضرية فوضوية. شوارع ذات اتجاه واحد، مناطق مشاة، متطلبات الوصول إلى أرصفة التحميل، مبانٍ ذات مداخل متعددة، مجمعات سكنية برموز بوابات. القيود الواقعية في التوصيل الحضري للميل الأخير أكثر تعقيداً بمراتب من التوجيه على الطرق السريعة.
كيف يتعامل الذكاء الاصطناعي مع التحسين متعدد المحطات
تستخدم مناهج الذكاء الاصطناعي الحديثة لهذه المشكلة مزيجاً من التقنيات التي تعمل معاً.
الشبكات العصبية البيانية تتعلم بنية شبكات الطرق ويمكنها التنبؤ بأوقات السفر بين أي نقطتين بشكل أسرع بكثير من خوارزميات أقصر مسار التقليدية. هذا مهم لأنه عندما تقوم بتقييم ملايين تسلسلات المسارات الممكنة، فإن سرعة كل عملية بحث عن وقت السفر أمر حاسم.
نماذج التعلم المعزز تتعلم بناء المسارات بشكل تدريجي، واختيار أفضل محطة تالية للزيارة بناءً على الحالة الراهنة (موقع المركبة، الوقت من اليوم، المحطات المتبقية، السعة المتبقية). يتم تدريب هذه النماذج على ملايين المسارات التاريخية، فتطور حدساً لما يجعل المسار جيداً في مناطق جغرافية محددة.
البرمجة بالقيود تتعامل مع القيود الصارمة (النوافذ الزمنية، سعة المركبة، ساعات عمل السائق) بينما يتعامل الذكاء الاصطناعي مع التحسين المرن (تقليل المسافة الإجمالية، توزيع عبء العمل بين السائقين، تعظيم معدل التسليم في الوقت المحدد). هذا النهج الهجين يمنع الذكاء الاصطناعي من إنتاج مسارات تبدو فعالة لكنها تنتهك قواعد العمل.
نهج التجميع ثم التوجيه
تستخدم معظم التطبيقات العملية نهجاً من مرحلتين. أولاً، يتم تجميع المحطات في مناطق جغرافية وتعيينها لمركبات محددة. ثم يتم تحسين المسارات داخل كل مجموعة بشكل مستقل.
مرحلة التجميع هي حيث يتم خلق الكثير من القيمة أو تدميرها. التجميع السيئ ينتج مسارات حيث يتعرج سائق عبر منطقة حضرية بينما يكون لدى سائق آخر جميع محطاته ضمن نطاق ميلين. التجميع الجيد يوازن عدد المحطات وحجم التسليم الإجمالي والانتشار الجغرافي وكثافة النوافذ الزمنية عبر جميع السائقين.
يأخذ التجميع المدعوم بالذكاء الاصطناعي في الاعتبار عوامل تفوتها القرب الجغرافي البسيط. قد تكون محطتان قريبتين بخط مستقيم لكن يفصل بينهما نهر بجسر عبور يضيف 20 دقيقة. وقد يكون زوج آخر بعيداً على الخريطة لكن يربطهما مقطع طريق سريع يجعلهما جيراناً طبيعيين في المسار.
مكاسب الأداء في الممارسة العملية
تختلف التحسينات الناتجة عن التحسين متعدد المحطات بالذكاء الاصطناعي بناءً على مدى تطور نظام التوجيه الحالي لديك، لكن النتائج النموذجية تشمل:
انخفاض إجمالي مسافة المسار بنسبة 10-20%. وهذا يترجم مباشرة إلى توفير في الوقود وتقليل تآكل المركبات. زيادة المحطات المنجزة لكل سائق يومياً بنسبة 8-15%. التسلسل الأفضل يعني وقتاً أقل في القيادة بين المحطات ووقتاً أكثر في التسليم، مما يعني أن كل سائق يمكنه التعامل مع حجم أكبر. تحسن معدلات التسليم في الوقت المحدد بمقدار 5-12 نقطة مئوية. ينخفض وقت التخطيط من ساعات إلى دقائق. المخطط البشري الذي يبني مسارات لـ 20 سائقاً يقومون بـ 100 محطة لكل منهم قد يقضي 3-4 ساعات. نظام الذكاء الاصطناعي ينتج مسارات أفضل في أقل من 5 دقائق.
اعتبارات التكامل
جودة بيانات العناوين لديك مهمة للغاية. إذا كانت 5% من عناوين التسليم غير صحيحة أو غير دقيقة، فسينتج الذكاء الاصطناعي مسارات بمحطات وهمية وانحرافات غير ضرورية. استثمر في التحقق من العناوين قبل أن تستثمر في تحسين المسارات.
معرفة السائقين لا تزال ذات قيمة. السائقون ذوو الخبرة يعرفون أشياء لا يعرفها الذكاء الاصطناعي: أي المباني السكنية بها مصاعد بطيئة، وأي الشركات تغلق لاستراحة الغداء، وأي الشوارع تغمرها المياه عند المطر. أفضل الأنظمة تدمج حلقات تغذية راجعة من السائقين تلتقط هذه المعرفة المحلية وتأخذها في الاعتبار في قرارات المسارات المستقبلية.
ابدأ بتجربة تجريبية على جزء من أسطولك. شغّل المسارات المحسنة بالذكاء الاصطناعي جنباً إلى جنب مع مساراتك الحالية لمدة 4-6 أسابيع، وقس الفرق، واستخدم النتائج لبناء دراسة الجدوى للنشر الكامل. تعقيد التوجيه متعدد المحطات في الميل الأخير هو بالضبط نوع المشكلة التي يتفوق فيها الذكاء الاصطناعي على المخططين البشريين والبرمجيات التقليدية. لمعرفة المزيد حول كيفية تحويل الذكاء الاصطناعي لقطاع اللوجستيات والنقل، فإن فرص التحسين تمتد إلى ما هو أبعد من التوجيه.