ДЕКОМПОЗИЦІЙНИЙ ПІДХІД ДО БАГАТОКРИТЕРІАЛЬНОЇ ОПТИМІЗАЦІЇ МАРШРУТІВ БЕЗПІЛОТНИХ ТРАНСПОРТНИХ ЗАСОБІВ
DOI:
https://doi.org/10.32782/tnv-tech.2025.1.18Ключові слова:
безпілотні транспортні засоби (БТЗ), багатокритеріальна оптимізація, PROMETHEE, метод гілок і меж, декомпозиція задачіАнотація
Швидка інтеграція безпілотних транспортних засобів (БТЗ) у такі галузі, як логістика, оборона, сільське господарство та екологічний моніторинг, зумовила необхідність розробки передових методів оптимізації маршрутів для підвищення операційної ефективності. Завдяки здатності працювати в небезпечних умовах та за різноманітних метеорологічних обставин, БТЗ мають значні переваги над традиційними методами транспортування. Проте оптимізація маршрутів БТЗ є складним завданням, оскільки вимагає збалансування численних, часто суперечливих цілей, включаючи мінімізацію відстані й часу подорожі, зниження витрат пального, забезпечення безпеки за різних погодних умов, адаптацію до обмежень рельєфу та пріоритезацію критично важливих завдань.У цьому дослідженні розглянуто проблему багатокритеріальної оптимізації маршрутів БТЗ шляхом впровадження підходу, заснованого на декомпозиції, що розділяє процес оптимізації на два етапи: (1) формування підмножини кандидатних маршрутів на основі заданих обмежень і (2) вибір оптимального маршруту з цієї підмножини з використанням комбінації методу PROMETHEE (Preference Ranking Organization Method for Enrichment Evaluation) та евристичних алгоритмів. Інтеграція цих методів забезпечує ефективне прийняття рішень шляхом систематичного ранжування альтернативних маршрутів за кількома критеріями оцінювання. Запропонована методологія дозволяє зменшити обчислювальну складність, що робить її особливо придатною для сценаріїв масштабного розгортання БТЗ. Порівняльний аналіз різних стратегій оптимізації демонструє ефективність запропонованого підходу. Отримані результати свідчать, що метод скорочує час обчислень і витрати ресурсів, забезпечуючи при цьому гнучкість у динамічних середовищах. Використовуючи метод PROMETHEE для багатокритеріального прийняття рішень та евристичні методи пошуку для швидкої оптимізації, дослідження пропонує практичне рішення для планування маршрутів БТЗ, забезпечуючи покращену адаптацію до операційних обмежень. Отримані результати роблять внесок у подальші дослідження в галузі логістики та планування місій БТЗ, пропонуючи структурований підхід, що балансує між ефективністю, надійністю та обчислювальною доцільністю в складних задачах багато- критеріальної оптимізації.
Посилання
Shevchuk, D., Yakushenko, O., Steniakin, I., & Shyshka, A. (2024). Delivery route optimization with neural networks. In A.K. Nagar, D.S. Jat, D. Mishra, & A. Joshi (Eds.), Intelligent Sustainable Systems (pp. 441–452). Springer. https://doi.org/10.1007 /978-981-99-7569-3_36
Türkoğlu, B., & Eroğlu, H. (2023). Genetic algorithm for route optimization. In N. Dey (Ed.), Applied Genetic Algorithm and Its Variants (pp. 51–79). Springer. https:// doi.org/10.1007/978-981-99-3428-7_3
Li, X. (2023). Distribution route optimization method for chain convenience stores based on an improved genetic algorithm. In M. Atiquzzaman, N.Y. Yen, & Z. Xu (Eds.), Proceedings of the 4th International Conference on Big Data Analytics for Cyber-Physical System in Smart City – Volume 2 (pp. 523–530). Springer. https://doi. org/10.1007/978-981-99-1157-8_63
Eiselt, H.A., Marianov, V., & Bhadury, J. (2023). Multicriteria decision making. In Multicriteria Location Analysis (pp. 37–70). Springer. https://doi.org/10.1007/978-3- 031-23876-5_3
Symonov, D. І. (2021). Algorithm for determining the optimal flow in supply chains, considering multi-criteria conditions and stochastic processes. Bulletin of Taras Shevchenko National University of Kyiv. Physical and Mathematical Sciences, (2), 109–116. https://doi.org/10.17721/1812-5409.2021/2.15 [in Ukrainian]
Symonov, D., & Symonov, Y. (2024). Methods for selecting models of functioning of multicomponent information and environmental systems. Scientific Journal «Mathematical Modeling», Vol. 1, No 50, 57–63. https://doi.org/10.31319/2519-8106 .1(50)2024.304943
Akram, M., & Bibi, R. (2023). Multi-criteria group decision-making based on an integrated PROMETHEE approach with 2-tuple linguistic Fermatean fuzzy sets. Granular Computing, 8, 917–941. https://doi.org/10.1007/s41066-022-00359-6
Plataridis, K., & Mallios, Z. (2024). Mapping flood susceptibility with the PROMETHEE multi-criteria analysis method. Environmental Science and Pollution Research, 41267–41289. https://doi.org/10.1007/s11356-024-33895-6
Symonov, D., & Gorbachuk, V. (2023). A method of finding solutions in a dynamic model of inventory management under uncertainty. Bulletin of Taras Shevchenko National University of Kyiv. Physical and Mathematical Sciences, (4), 31–39. https:// doi.org/10.17721/1812-5409.2022/4.4 [in Ukrainian]
Dejaegere, G. (2024). Comparing with PROMETHEE: some new theoretical contributions. 4OR-Q Journal of Operations Research. https://doi.org/10.1007/ s10288-024-00570-y
Bruch, S. (2024). Branch-and-bound algorithms. In Foundations of Vector Retrieval (pp. 31–56). Springer. https://doi.org/10.1007/978-3-031-55182-6_4
Muñoz, G., Paat, J., & Xavier, Á.S. (2023). Compressing branch-and-bound trees. In A. Del Pia & V. Kaibel (Eds.), Integer Programming and Combinatorial Optimization (pp. 348–362). Springer. https://doi.org/10.1007/978-3-031-32726-1_25
