Makine öğrenmesi ile araç rotalama problemi için önce-kümele sonra-rotala yöntemlerinin incelenmesi
Investigation of cluster-first route-second methods for vehicle routing problem using machine learning
- Tez No: 860425
- Danışmanlar: DOÇ. DR. FARUK SERİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Eğitim ve Öğretim, Computer Engineering and Computer Science and Control, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Munzur Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mühendislik Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 48
Özet
Araç rotalama, lojistik endüstrisinde dağıtım operasyonlarını optimize etmek, yakıt/elektrık tüketimini azaltmak ve teslimat sürelerini iyileştirmek için kullanılmaktadır. Ancak, karmaşıklık seviyesi arttıkça büyük ölçekli rotalama problemlerinin çözümü zor hale gelebilir. Günümüzde bir çok amaç için kullanılan vasıtaların bir noktadan diğer bir noktaya ulaşana kadar izlediği güzergahın üretilmesi kaynak ve zaman ihtiyacı bakımından oldukça maliyetli ve zor bir problem olarak bilinmektedir. Özellikle güzergah oluşturmak için kullanılacak nokta sayısı fazla ise karmaşıklık seviyesi artmakta ve çözülebilir olma özelliği azalmaktadır. Bu durumda, önce kümeleme sonra rotalama yaklaşımı önemli bir çözüm sunar. Bu yaklaşım, büyük ve karmaşık rotalama problemlerini ele almak için önce kümeleme algoritmalarını kullanarak karmaşıklık olan problemi daha küçük ve anlamlı kümelere ayırmak için kullanılan bir yaklaşımdır. Oluşan her bir kümenin içindeki teslimat noktaları arasında optimal rotalar belirlenir. Böylece büyük bir rotalama problemi daha küçük ve yönetilebilir alt problemlere bölünür. Kümeleri daha küçük parçalara ayırmak, alt kümelerin daha az teslimat noktası içermesini sağlamakla beraber, rotalama algoritmalarının daha hızlı çalışmasını ve daha optimize edilmiş rotaların bulunmasını sağlar. Bu çalışmada, farklı kümeleme algoritmaları (k-ortalama, DBSCAN, BIRCH, OPTICS) üç farklı veri seti üzerinde ayrı ayrı çalıştırılarak elde edilen sonuçlar karşılaştırılmıştır. Vektör veri seti için elde edilen bulgulara göre k-ortalama en iyi sonucu ürettiği görülmüştür. Deneysel sonuçlar, önce-kümele sonra-rotala yaklaşımının hesaplama karmaşıklığını düşürerek araç rotalama problemlerinde yol mesafesini optimize edip seyahat maliyetini düşürdüğünü göstermektedir.
Özet (Çeviri)
Vehicle routing is an important operation in the logistics industry to optimize travel, reduce fuel/electricity consumption, and improve delivery times. However, as the complexity increases, solving large-scale routing problems can become challenging. In today's world, generating the route that vehicles follow from one point to another is known to be a costly and challenging problem in terms of resources and time, given the various purposes for which vehicles are used. Particularly when the number of points used for route construction is substantial, the level of complexity escalates, and the feasibility of resolution diminishes. In this scenario, the cluster-first route-second approach presents a significant solution. This approach involves using clustering algorithms initially to decompose the complexity of the problem into smaller and meaningful clusters, aiming to address large and intricate routing problems. Optimal routes are determined between delivery points within each of the resulting clusters. Consequently, a large routing problem is divided into smaller and more manageable sub-problems. Dividing clusters into smaller segments ensures that sub-clusters contain fewer delivery points, facilitating faster operation of routing algorithms and the discovery of more optimized routes. In this study, the results obtained by different clustering algorithms (K-Means, DBSCAN, BIRCH, OPTICS) on three different datasets were compared. According to the findings obtained for the main dataset, K-Means produced the best results. Experimental results demonstrate that the cluster-first route-second approach reduces computational complexity and optimizes travel distances, thereby reducing travel costs in vehicle routing problems.
Benzer Tezler
- Machine learning and mathematical programming based hybrid solution proposal for capacitated vehicle routing problem
Kapasiteli araç rotalama problemi için makine öğrenmesi ve matematiksel programlama temelli hibrid bir çözüm önerisi
ÖZGÜR SANLI
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiEskişehir Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZÜHAL KARTAL
- Askeri lojistik dağıtımında araç rotalama problemi için hipersezgisel algoritma geliştirilmesi
Development of a hyper-heuristic algorithm for vehicle routing problem in military logistics distribution
SÜLEYMAN KESİK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIsparta Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEVRİYE ALTINTAŞ
- İnsansız hava aracı destekli araç rotalama problemi
Unmanned aerial vehicle supported vehicle routing problem
EMİNE EŞ YÜREK
Doktora
Türkçe
2018
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN CENK ÖZMUTLU
- Optimization models of integrated load consolidation and transportation mode selection problem on intermodal network
İntermodal ağda bütünleşik yük konsolidasyonu ve taşıma modu seçimi probleminin optimizasyon modelleri
ELİFCAN GÖÇMEN
Doktora
İngilizce
2019
Endüstri ve Endüstri MühendisliğiÇukurova ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. RIZVAN EROL
- Data-driven operators for a hybrid evolutionary algorithm to solve multi-trip rich vehicle routing problem
Çok kullanımlı zengin araç rotalama probleminin melez evrimsel algoritma ile çözümlenmesinde veri güdümlü operatörlerin etkileri
DİLARA AYKANAT
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN