SeterusnyaPanduan seterusnya
AI dalam Pengoptimuman Prospek
industri
PANDUAN Industri
AI dalam penghantaran jarak jauh menggunakan algoritma pengoptimuman dan pembelajaran mesin untuk memutuskan pemandu yang membawa bungkusan yang mana, dalam urutan untuk melawat berhenti dan bila setiap penghantaran akan tiba.
Dengar panduan iniAI-diceritakan · ~3 min
Ia penting kerana kaki terakhir ke ambang pintu selalunya merupakan bahagian paling mahal dalam penghantaran. Keuntungan penghalaan kecil menjimatkan bahan api, masa dan pelepasan merentas berjuta-juta perhentian.
Kenderaan penghantaran penghalaan ialah kes buku teks masalah penghalaan kenderaan (VRP), generalisasi masalah jurujual perjalanan. Memandangkan depoh, armada dan satu set perhentian, matlamatnya ialah laluan yang meminimumkan jumlah kos sambil memenuhi kekangan. Ini termasuk kapasiti kenderaan, panjang syif pemandu, tingkap masa pelanggan, dan kadangkala sepasang pikap dan penghantaran. Masalahnya adalah sukar NP: penyelesaian tepat menjadi tidak praktikal apabila bilangan hentian bertambah, jadi sistem sebenar bergantung pada heuristik (peraturan praktikal yang mendapati jawapan yang baik, tidak dijamin terbaik). Kaedah klasik termasuk algoritma penjimatan Clarke-Wright dari tahun 1964 dan pergerakan carian tempatan seperti 2-pilihan, yang meleraikan segmen laluan yang bersilang. Penyelesai moden, termasuk alat sumber terbuka seperti Google's OR-Tools, menggabungkannya dengan metaeuristik yang meneroka banyak penyelesaian calon. Sistem ORION UPS, yang dilancarkan pada tahun 2010, adalah contoh yang terkenal. Ia mengoptimumkan susunan setiap hentian pemandu. UPS juga terkenal dengan keutamaan lama untuk laluan yang mengelakkan belok kiri merentas trafik yang praktikal, berdagang jarak yang lebih jauh untuk kurang melahu dan kurang belokan berisiko. Pembelajaran mesin menambah ramalan di atas pengoptimuman. Model menganggarkan masa perjalanan mengikut masa dalam sehari, masa perkhidmatan di setiap perhentian (mencari tempat letak kereta, menaiki tangga, mendapatkan tandatangan) dan kemungkinan penghantaran gagal. Pada tahun 2021 Amazon dan MIT menjalankan cabaran penyelidikan meminta pasukan mempelajari laluan yang sebenarnya lebih disukai oleh pemandu berpengalaman, kerana laluan terpendek secara matematik tidak selalunya yang berfungsi di jalanan. Apl makanan dan barangan runcit menghadapi versi yang lebih sukar dan dinamik. Pesanan tiba sepanjang masa, jadi penghantaran memutuskan dalam masa nyata kurier mana yang mendapat pesanan dan sama ada untuk menghimpunkan pesanan, mengimbangi kelajuan berbanding membuat kurier sibuk. Salah tanggapan yang lazim ialah penghalaan hanyalah navigasi laluan terpendek. Navigasi mencari laluan jalan antara dua titik. Pengoptimuman laluan menentukan susunan dan penetapan ratusan perhentian.
Semalaman, sistem perancangan pembawa bungkusan membahagikan pakej keesokan harinya di antara vannya, menghormati kapasiti setiap kenderaan dan tingkap penghantaran pelanggan.
Platform penghantaran makanan memberikan satu kurier dua pesanan dari restoran yang sama apabila diramalkan masa memasak dan perjalanan bermakna kedua-duanya masih akan tiba hangat.
Perkhidmatan penghantaran barangan runcit meramalkan masa ketibaan menggunakan data masa lalu tentang berapa lama pemandu mengambil masa untuk meletak kereta dan berjalan ke pintu pangsapuri, bukan hanya masa di jalan raya.
Apabila jalan ditutup pada pertengahan syif, penghalaan semula dinamik menyusun semula baki perhentian pemandu dan bukannya mengira semula rancangan untuk keseluruhan armada.
Penghalaan adalah bidang yang matang, jadi kemajuan mungkin akan beransur-ansur: ramalan masa perjalanan dan perkhidmatan yang lebih baik, heuristik yang dipelajari yang mempercepatkan penyelesai dan pautan yang lebih dekat dengan cara tingkap ketibaan disampaikan kepada pelanggan. Van penghantaran elektrik menambah kekangan seperti julat dan berhenti mengecas. Eksperimen dengan robot kaki lima, dron dan loker bungkusan mengubah masalah dengan menambahkan jenis kenderaan baharu dan titik penyerahan, walaupun sejauh mana ia digunakan berbeza-beza mengikut lokasi. Melalui semua ini, teras tetap sama: ramalan yang tepat memberi pengoptimuman yang baik, dengan pengetahuan tempatan pemandu masih bernilai.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
AI dalam penghantaran jarak jauh menggunakan algoritma pengoptimuman dan pembelajaran mesin untuk memutuskan pemandu yang membawa bungkusan yang mana, dalam urutan untuk melawat berhenti dan bila setiap penghantaran akan tiba. Ia penting kerana kaki terakhir ke ambang pintu selalunya merupakan bahagian paling mahal dalam penghantaran. Keuntungan penghalaan kecil menjimatkan bahan api, masa dan pelepasan merentas berjuta-juta perhentian.
VRP memanjangkan masalah jurujual perjalanan kepada berbilang kenderaan dengan kapasiti, tingkap masa dan kekangan lain.
Oleh kerana VRP adalah NP-hard, pengiraan yang diperlukan untuk jawapan yang tepat berkembang dengan pesat. Heuristik mencari penyelesaian yang baik dalam had masa praktikal.
2-opt mengalih keluar dua tepi dan menyambung semula laluan dengan cara lain, yang meleraikan lintasan dan biasanya memendekkan laluan.
Cabaran meminta pasukan untuk memodelkan laluan yang benar-benar diambil oleh pemandu, kerana laluan terpendek secara matematik tidak selalu berfungsi dalam amalan.
Masa perkhidmatan ialah masa yang dihabiskan di setiap perhentian selain daripada memandu. Sukar untuk diramalkan dan merupakan sumber utama ralat masa ketibaan, jadi model ML menganggarkannya bagi setiap alamat.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
AI dalam Pengoptimuman Prospek
industri