ОПТИМІЗАЦІЯ ФУНКЦІЇ ЛОГІСТИЧНИХ ВИТРАТ НА ТРАНСПОРТУВАННЯ
DOI:
https://doi.org/10.32782/IT/2024-2-13Ключові слова:
оптимізація транспортних витрат, Методи градієнтного спуску, Управління логістикою, Оцінювальні функції, RMSProp, Проксимальний градієнтний спускАнотація
Мета роботи. Оптимізація транспортних витрат є фундаментальною проблемою в управлінні логістикою, яка потребує використання передових методів для вирішення складнощів, пов’язаних з географічними відстанями, видами транспорту та операційними обмеженнями. У цій статті досліджується використання методів RMSProp, RMSProp з обрізанням градієнта та Проксимального Градієнтного Спуску в оптимізації функцій транспортних витрат у логістичних мережах. Включаючи функції якості, пов’язані як з початковими, так і з кінцевими точками доставки, дослідження прагне досягти балансу між зниженням витрат та покращенням якості обслуговування. Методологія. Представлено порівняльний аналіз ефективності цих методів, зосереджуючись на їх ефективності з точки зору швидкості збіжності та якості отриманих рішень. Дослідження демонструє, що RMSProp та його варіант з обрізанням градієнта є особливо ефективними у навігації в просторі рішень, забезпечуючи швидку збіжність та високоякісні рішення. З іншого боку, Проксимальний Градієнтний Спуск показує перспективи у вирішенні дискретних проблем логістики. Наукова новизна. Це дослідження підкреслює важливу роль оптимізації транспортних витрат у контексті зростаючих вимог глобальної торгівлі та логістики. З розширенням глобальної торгівлі необхідність зниження транспортних витрат, зберігаючи при цьому якість обслуговування, стає дедалі важливішою. Передові методи оптимізації, такі як RMSProp та Проксимальний Градієнтний Спуск, можуть призвести до значної економії витрат та покращення операційної ефективності, що приносить користь бізнесу, який займається міжнародною торгівлею. Висновки. У висновку, це дослідження підкреслює ефективність RMSProp та Проксимального Градієнтного Спуску в оптимізації транспортних витрат. Воно наголошує на необхідності постійних інновацій в управлінні логістикою для задоволення еволюційних вимог глобальної торгівлі. Напрями майбутніх досліджень включають вивчення гібридних методів оптимізації, які поєднують сильні сторони методів, заснованих на градієнтах, ще більше підвищуючи надійність та застосовність моделей оптимізації транспортних витрат у різноманітних логістичних середовищах.
Посилання
Boyd S., Parikh N. Proximal Algorithms. Now Publishers, 2013. 130 p.
Cordeau J.-F., Toth P., Vigo D. A Survey of Optimization Models for Train Routing and Scheduling. Transportation Science. 1998. Vol. 32, no. 4. P. 380–404. URL: https://doi.org/10.1287/trsc.32.4.380 (date of access: 27.05.2024).
Crainic T. G., Perboli G., Rosano M. Simulation of intermodal freight transportation systems: a taxonomy. European Journal of Operational Research. 2018. Vol. 270, no. 2. P. 401–418. URL: https://doi.org/10.1016/j.ejor.2017.11.061 (date of access: 27.05.2024).
Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research. 2011. Vol. 12, no. 61. P. 2121–2159.
Hinton G., Srivastava N., Swersky K. Neural networks for machine learning, Lecture 6a: Overview of mini-batch gradient descent. CSC321 – Introduction to Neural Networks and Machine Learning. URL: http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf (date of access: 27.05.2024).
Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. arXiv, 2014. 15 p. (Preprint. arXiv:1412.6980). URL: https://doi.org/10.48550/arXiv.1412.6980 (date of access: 27.05.2024).
Laporte G. What you should know about the vehicle routing problem. Naval Research Logistics. 2007. Vol. 54, no. 8. P. 811–819. URL: https://doi.org/10.1002/nav.20261 (date of access: 27.05.2024).
Toth P., Vigo D. Vehicle routing: Problems, methods, and applications. Philadelphia : Society for Industrial and Applied Mathematics, 2014. 463 p.
