CC BY
0DOI: 10.38197/2072-2060-2024-246-2-298-314
ОПТИМИЗАЦИЯ ЛОГИСТИЧЕСКИХ МАРШРУТОВ ПОСРЕДСТВОМ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
OPTIMIZATION OF LOGISTIC ROUTES THROUGH THE USE OF ARTIFICIAL INTELLIGENCE TECHNOLOGIES.
ДАНИЛОЧКИНА Надежда Григорьевна
Профессор кафедры финансов и финансового менеджмента Одинцовского филиала МГИМО МИД России, доктор экономических наук, профессор
Nadezhda G. DANILOCHKINA
Professor of the Department of Finance and Financial Management Odintsovo branch of MGIMO, Doctor of Economics, Professor
ЛЫСЕНКО Алина Альбертовна
Магистр кафедры финансов и финансового менеджмента Одинцовского филиала МГИМО МИД России
Alina A. LYSENKO
Master of Economics of the Department of Finance and Financial Management Odintsovo branch of MGIMO
АННОТАЦИЯ
В данной статье рассматривается вопрос оптимизации логистических маршрутов с помощью технологий искусственного интеллекта. Среди всех видов транспортной логистики в данной работе рассматривается оптимизация грузоперевозок посредством автомобильного транспорта. Итоговые результаты исследования позволяют сделать выводы о применимости технологий искусственного интеллекта в оптимизации логистических маршрутов.
ABSTRACT
This article explores the optimization of logistic routes through the application of artificial intelligence technologies. Among all types of transportation logistics, this study focuses on optimizing freight transportation using road transport. The final results of the research allow for conclusions about the applicability of artificial intelligence technologies in logistics route optimization.
КЛЮЧЕВЫЕ СЛОВА
Логистика, технологии искусственного интеллекта, нейронная сеть, оптимизация логистических маршрутов.
KEYWORDS
Logistics, artificial intelligence technologies, neural network, optimization of logistic routes.
Введение
В условиях развития глобального рынка товаров и услуг организация их доставки и распространения становится важным фактором в мировой торговле. На сегодняшний день роль логистики в интеграционных процессах экономики является решающей. Логистика управляет движением готовой продукции и сырья, влияет на ценообразование, обеспечивает конкурентоспособность организаций и инициирует цепочки поставок. Являясь ключевой сферой бизнеса, логистика выступает основой для планирования, маркетинга, мониторинга и управления деятельностью предприятий.
Исходя из того, что логистика принимает такое ключевое значение для экономики, можно сказать, что оптимизация логистических маршрутов – это один из важнейших вопросов, с которым приходится сталкиваться различным предприятиям. Неправильное планирование маршрутов может привести к повышенным расходам на транспортировку, увеличению времени доставки и снижению качества обслуживания клиентов. Однако современная профессиональная логистика включает в себя цифровые технологии, цифровые стратегии, управление большими базами данных и так далее. В связи с этим применение технологий искусственного интеллекта может помочь в оптимизации логистических маршрутов, а, следовательно, и в максимизации прибыли.
Искусственный интеллект (ИИ) предполагает определение оптимальных маршрутов доставки, учитывая при этом различные факторы, такие как дорожные условия, трафик, расстояние и время доставки. Логистические компании могут оптимизировать свои маршруты, снизить затраты на транспортировку, а также повысить качество обслуживания благодаря анализу больших объемов данных, которые получены от различных источников.
Кроме того, технологии ИИ можно использовать для мониторинга и управления различными транспортными средствами. Благодаря автоматическому отслеживанию местоположения грузовиков транспортных средств компании могут быстро реагировать на различные непредвиденные ситуации.
Исходя из данного контекста, тема оптимизации логистических маршрутов посредством применения технологий искусственного интеллекта является актуальной и востребованной в современном мире бизнеса.
Целью данной статьи является адаптация коммерческой организации в условиях изменений в цепочке поставок с использованием нейросетевых технологий ИИ.
Применение технологий ИИ в логистической деятельности компании.
Искусственный интеллект может быть применен в различных аспектах логистической деятельности предприятий, таких как планирование, оптимизация маршрутов, управление запасами, управление складом и транспортировка товаров.
Для решения таких задач, как оптимизация маршрутов доставки грузов, планирование запасов на складе, управление производственными процессами, анализ данных и прогнозирование спроса на товары могут использоваться как математические методы, так и технологии искусственного интеллекта.
Однако наиболее эффективным решением является внедрение технологий ИИ в логистическую деятельность.
На рисунке 1 представлен мировой уровень внедрения ИИ в механизмы регулирования цепочек поставок .
Рисунок 1 – Мировой уровень внедрения ИИ в механизмы регулирования цепочек поставок.
На основании представленной выше диаграммы, можно сделать вывод о том, что технологии искусственного интеллекта набирают все большую популярность и имеют ключевое значение для многих компаний.
Технологии искусственного интеллекта позволяют оптимизировать дистанцию и траекторию логистических маршрутов, а также лучше определять время, необходимое для доставки, уменьшая его вместе с различными издержками.
Методика использования генетических и нейросетевых технологий искусственного интеллекта для быстрой адаптации логистической деятельности компании
Нейронные сети представляют собой одно из направлений в машинном обучении, которое родилось благодаря попытке ученых сымитировать работу человеческого мозга. Математическая модель нейронной сети, которая состоит из одного нейрона выполняет две последовательные операции (рисунок 2 ):
вычисляет сумму входных сигналов с учетом их весов (проводимости или сопротивления) связи;
sum= (X^T ) ⃗W ⃗+B ⃗=∑_(i=1)^n▒〖x_i w_i 〗+ b (1)
применяет активационную функцию к общей сумме воздействия входных сигналов.
out=φ(sum) (2)
Рисунок 2 – Математическая модель.
На основании приведенного выше математического представления нейрона предлагается схема нейросети с несколькими классами для задачи оптимизации логистических маршрутов. При создании данной схемы следует учитывать, что искусственная нейронная сеть состоит из трех компонентов:
входной слой;
скрытые (вычислительные) слои;
выходной слой.
Нейронная сеть для оптимизации логистических маршрутов также состоит из трех компонентов и представлена на рисунке 3. Данная, нейросеть создана для нахождения оптимального набора допустимых маршрутов.
Первый слой включает в себя 3 входа (I_1, I_2, I_3): протяженность маршрута, количество аварий и загруженность дорог. Также в схему включены два вычислительных слоя (H_1 и H_2), которые формируются посредством умножения входных данных на их веса. А именно: значение каждого входа умножается на соответствующий ему синаптический вес и эти произведения складываются. Начальные веса задаются случайным образом. Начальные смещения задаются по нормальному случайному закону. Формулы для формирования скрытых слоев также представлены на рисунке 3 , где:
I_1, I_2, I_3 – входные данные;
H_1 и H_2 – скрытые слои;
w_1, w_2, w_3 и т.д. – начальные веса;
O_1 – выход сети;
b_1, b_2, b_3 – начальные смещения.
Выходной слой (выход сети) рассчитывается с использованием функции активации: выходные данные из скрытого слоя передаются через функцию активации (сигмоидную функцию).
Рисунок 3 – Нейросеть «3-2-1».
Для реализации данной нейронной сети в рамках решения задачи оптимизации логистических маршрутов был разработан программный код для обучения и тестирования нейросети. Блок тестирования нейросети включает два тестовых набора (рисунок 4) . В коде заданы значения обучающих наборов, общее количество таких наборов равняется 142 (рисунок 5 ). Также в программном коде прописаны требуемые значения выхода для обучающих наборов.
Рисунок 4 – Тестирование нейронной сети.
Результаты тестирования нейронной сети, равные 1 для первого тестового набора и 0 для второго набора соответственно, показаны на рисунке 5 .
Рисунок 5 – Результаты тестирования нейронной сети.
Рисунок 6 – Значения входов для обучающих наборов.
Массив данных, представленный на рисунке 6, был получен эмпирическим путем с помощью следующей формулы, разработанной автором:
y=((100+10^2+10^2))/300 (3)
В данной формуле числитель является суммой максимальных значений для заданных входов, деление на 300 необходимо для приведения данных к форме от 0 до 1. Если нейронная сеть на выходе выдает 1, то мы можем брать маршрут, если результат равен 0, то логистический маршрут не подходит. Таким образом, возможно, будет выбрать несколько оптимальных логистических маршрутов из всех существующих. Оптимальным является маршрут с минимальными показателями времени поездки и расходов на транспорт.
Благодаря тестированию различных диапазонов коэффициентов w_1, w_2, w_3 и b_1, b_2, b_3 нейронной сети был выявлен оптимальный диапазон, который привёл к наименьшей ошибке сети, равной 0,003. (рисунок 7 )
Рисунок 7 – Полученные значения коэффициентов нейронной сети.
Так, данные коэффициенты были получены опытным путем. Ниже представлены результаты обучения нейронной сети (рисунок 8 ).
Рисунок 8 – Результаты обучения нейронной сети.
При дальнейшей разработке число входных данных нейронной сети может быть увеличено. Во входной слой могут быть добавлены те аспекты прохождения по транспортному графу, которые сложно моделировать традиционными методами, но они легко поддаются нейронной сети. К ним относятся:
Особенности транспортного средства;
Время поиска парковочного места, специфичное для каждого места назначения;
Опыт вождения водителей.
Оценка эффективности предлагаемых мер
Исходя из плана предложенных мероприятий, по использованию нейронной сети для быстрой адаптации логистической деятельности компании необходимо рассчитать их эффективность.
Но при разработке и внедрении программного обеспечения необходимо учитывать такие производственные затраты как:
Расходы на внедрение ИТ-решения – оцениваются трудозатраты собственного персонала или привлечённых специалистов. Для обеспечения работ по внедрению ИТ-решение может потребоваться разработка отдельного технического задания, что также стоит учитывать.
Расходы на обучение персонала – услуги по обучению обычно предоставляются сторонними софтверными компаниями или вендорами .
Для определения затрат на оплату труда программистов необходимо определить перечень работ, которые необходимо выполнить для внедрения нейронной сети в деятельность компании.
К необходимому перечню работ относятся следующие задачи:
Проектирование;
Разработка программного обеспечения для разметки обучающей выборки;
Разметка обучающей выборки;
Разработка и реализация архитектуры ИНС ;
Обучение ИНС;
Сборка, отладка, тестирование;
И т.д.
Так как нейронная сеть требует высокой вычислительной мощности, особенно для обработки больших объемов данных в режиме реально времени, необходимо также учесть затраты на использование специализированных серверов или облачных вычислений для работы с нейросетью. Однако стоимость использования специализированных серверов или облачных вычислений для работы с нейросетью может существенно различаться в зависимости от выбранного провайдера облачных услуг. На стоимость также влияют физические характеристики сервера, такие как процессор, объем оперативной памяти и дисковое пространство, а также затраты на электроэнергию и подключение к интернету.
Более того, при расчете затрат необходимо учесть затраты на сбор, очистку и хранение данных.
Предоставить точную стоимость сложно, так как она зависит от множества факторов, поэтому рекомендуется провести детальный анализ требований проекта. На стоимость реализации нейронной сети влияют такие факторы, как количество и качество обучающих данных, выбор алгоритмов и архитектуры нейронной сети, опыт специалистов, участвующих в процессе разработки, а также возможная стоимость оборудования. Для того, чтобы определить окончательную стоимость реализации проекта, необходимо воспользоваться помощью опытных специалистов и учесть все вышеперечисленные факторы.
Заключение
Результаты данного исследования показали, что применение технологий ИИ в логистике позволяет решать различные задачи, связанные с оптимизацией грузоперевозок и маршрутизацией автомобильного транспорта.
Таким образом, использование технологий искусственного интеллекта в логистике в России может являться вполне перспективным направлением, поскольку внедрение нейронной сети способно оптимизировать логистические маршруты, повысить эффективность цепочки поставок, благодаря чему возможно будет снижение затрат на транспорт.
Библиографический список
Федеральный проект "Искусственный интеллект" национальной программы "Цифровая экономика Российской Федерации" (Приказ Минэкономразвития России от 02.07.2021 N 407) (ред. от 28.12.2021)
Национальная программа "Цифровая экономика Российской Федерации" (в ред. Приказа Минфина России от 29.11.2019 N 206н)
Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения / Аджей Агравал, Джошуа Ганс, Ави Голдфарб; пер. с англ. Е. Петровой. – 3-е изд. - М.: Манн, Иванов и Фербер, 2019. – 240 с. – (Библиотека Сбербанка [Искусственный интеллект]).
Интеллектуальные системы и технологии: учебник и практикум для вузов / Л. А. Станкевич. — 2-е изд., перераб. и доп. — Москва: Издательство - Юрайт, 2023. — 495 с. — (Высшее образование). — Текст: непосредственный. URL: https://urait.ru/viewer/intellektualnye-sistemy-i-tehnologii-530657#page/2 (дата обращения: 03.11.2023)
Искусственный интеллект в логистике: тенденции, сложности при внедрении, сферы применения, кейсы. URL: https://oborot.ru/articles/artificial-intelligence-logistics-i183598.html (дата обращения: 04.11.2023)
Логистика и управление цепями поставок: учебник и практикум для вузов / В. С. Лукинский, В. В. Лукинский, Н. Г. Плетнева. — Москва: Издательство Юрайт, 2023. - 359 с. (Высшее образование). - Текст: непосредственный URL: https://urait.ru/viewer/logistika-i-upravlenie-cepyami-postavok-511010#page/32 (дата обращения: 04.11.2023)
References
Federal'nyj proekt "Iskusstvennyj intellekt" nacional'noj programmy "Cifrovaja jekonomika Rossijskoj Federacii" (Prikaz minjekonomrazvitija rossii ot 02.07.2021 n 407) (red. ot 28.12.2021)
Nacional'naja programma "Cifrovaja jekonomika Rossijskoj Federacii" (v red. Prikaza Minfina Rossii ot 29.11.2019 N 206n)
Iskusstvennyj intellekt na sluzhbe biznesa. Kak mashinnoe prognozirovanie pomogaet prinimat' reshenija / Adzhej Agraval, Dzhoshua Gans, Avi Goldfarb; per. s angl. E. Petrovoj. – 3-e izd. - M.: Mann, Ivanov i Ferber, 2019. – 240 s. – (Biblioteka Sberbanka [Iskusstvennyj intellekt]).
Intellektual'nye sistemy i tehnologii: uchebnik i praktikum dlja vuzov / L. A. Stankevich. — 2-e izd., pererab. i dop. — Moskva: Izdatel'stvo - Jurajt, 2023. — 495 s. — (Vysshee obrazovanie). — Tekst: neposredstvennyj. URL: https://urait.ru/viewer/intellektualnye-sistemy-i-tehnologii-530657#page/2 (data obrashhenija: 03.11.2023)
Iskusstvennyj intellekt v logistike: tendencii, slozhnosti pri vnedrenii, sfery primenenija, kejsy. URL: https://oborot.ru/articles/artificial-intelligence-logistics-i183598.html (data obrashhenija: 04.11.2023)
Logistika i upravlenie cepjami postavok: uchebnik i praktikum dlja vuzov / V. S. Lukinskij, V. V. Lukinskij, N. G. Pletneva. — Moskva: Izdatel'stvo Jurajt, 2023. - 359 s. (Vysshee obrazovanie). - Tekst: neposredstvennyj URL: https://urait.ru/viewer/logistika-i-upravlenie-cepyami-postavok-511010#page/32 (data obrashhenija: 04.11.2023)
Контактная информация / Contact information
Одинцовский Филиал МГИМО МИД России
143007, Московская Обл., г. Одинцово, Ново-Спортивная ул., д.3.
Odintsovo Campus of MGIMO University of The MFA of Russia, 3, Novo-Sportivnaya Str., Odintsovo, Moscow Region, 143007, Russia.
Данилочкина Надежда Григорьевна/Nadezhda G.Danilochkina
nadanilochkina@yandex.ru
Лысенко Алина Альбертовна / Alina A. Lysenko
lysenko.a@odin.mgimo.ru
