Details

Данная работа посвящена созданию программного комплекса для автоматизации планирования маршрутов доставки товаров «последней мили» с применением нейросетевых алгоритмов. Задачи, которые реша-лись в ходе исследования: 1. Анализ классической задачи маршрутизации транспортных средств и её современных модификаций, а также существующих методов оптимизации. 2. Исследование возможностей применения больших языковых мо-делей для решения задач маршрутизации в диалоговом режиме. 3. Выбор технологических решений и проектирование веб-приложения. 4. Интеграция нейросетевой модели для генерации оптимального порядка объезда с учётом грузоподъёмности, временных окон и пожеланий оператора на естественном языке. 5. Разработка инструментов ручного редактирования маршрутов, отправки маршрутных листов водителям. 6. Проверка оптимальности построенных маршрутов на реальных данных и оценка экономической эффективности внедрения. Работа проведена на основе реальных данных логистической компа-нии, осуществляющей адресную доставку в Санкт-Петербурге. Фактиче-ский материал включал 193 заказа и 10 транспортных средств. В результате была создана работоспособная система маршрутиза-ции. Экспериментально подтверждено: 100% соблюдение ограничений по грузоподъёмности, временным окнам и покрытию заказов; сокращение суммарного пробега на 78,8% относительно случайного распределения и на 10,9% – относительно метода ближайшего соседа; средняя загрузка транспортных средств – 80,7%; время построения маршрутов для 200 за-казов – около 90 секунд. Разработаны эффективные тарифные планы под-писки. На основании проведённых исследований рекомендуется внедрение системы в малых и средних логистических компаниях для автоматизации диспетчерского управления и снижения операционных издержек.

This work is devoted to the creation of a software suite for automating “last mile” delivery route planning using neural network algorithms. The tasks addressed during the research: 1. Analysis of the classical vehicle routing problem and its modern mod-ifications, as well as existing optimization methods. 2. Investigation of the potential for using large language models to solve routing problems in a dialogue mode. 3. Selection of technological solutions and design of a web application. 4. Integration of a neural network model to generate an optimal visita-tion order considering vehicle capacity, time windows, and operator natural language preferences. 5. Development of tools for manual route editing and sending route sheets to drivers. 6. Verification of the optimality of the constructed routes on real data and assessment of the economic efficiency of implementation. The work was carried out using real data from a logistics company per-forming address-based delivery in St. Petersburg. The actual material included 193 orders and 10 vehicles. As a result, a fully functional routing system was created. It was experi-mentally confirmed: 100% compliance with vehicle capacity, time window, and order coverage constraints; total mileage reduced by 78.8% compared to ran-dom assignment and by 10.9% compared to the nearest neighbor method; av-erage vehicle load – 80.7%; route construction time for 200 orders – about 90 seconds. Effective subscription pricing plans have been developed. Based on the conducted research, implementation of the system is recommended for small and medium-sized logistics companies to automate dispatching manage-ment and reduce operational costs.

• ВВЕДЕНИЕ
• ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ ОПТИМИЗАЦИИ ТРАНСПОРТНОЙ ЛОГИСТИКИ
• 1.1 Классическая задача маршрутизации транспорта и её современные модификации
• 1.2 Обзор существующих методов оптимизации маршрутов
• 1.3 Применение нейронных сетей в комбинаторной оптимизации: современное состояние проблемы
• 1.4 Постановка задачи и критерии эффективности интеллектуальной системы
• ГЛАВА 2. ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ МАРШРУТИЗАЦИИ
• 2.1 Общая архитектура системы и выбор технологического стека
• 2.2 Проектирование базы данных и серверной части
• 2.3 Разработка клиентского интерфейса и интеграция с картографическим API
• 2.4 Выбор и обоснование архитектуры нейронной сети для маршрутизации заказов
• 2.5 Интеграция нейросетевой модели DeepSeek для оптимизации маршрутов
• 2.6 Реализация вспомогательных модулей
• ГЛАВА 3. ФУНКЦИОНАЛЬНАЯ МОДЕЛЬ И СЦЕНАРИИ РАБОТЫ РАЗРАБОТАННОГО ПРИЛОЖЕНИЯ
• 3.1 Системы импорта и экспорта данных
• 3.2 Визуальное управление маршрутами на интерактивной карте
• 3.3 Интеллектуальная оптимизация маршрутов с использованием нейросетевой модели
  • 3.3.2 Разбор пожеланий логиста
  • 3.3.3 Кластеризация заказов по географической близости и весу
  • 3.3.4 Построение порядка объезда
  • 3.3.5 Расчёт времени прибытия и простоев
  • 3.3.6 Коррекция маршрута (устранение простоев и опозданий)
  • 3.3.7 Оценка качества маршрутов
  • 3.3.8 Пример работы интеллектуальной оптимизации
  • 3.3.9 Надёжность и обработка ошибок
• 3.4 Ручное редактирование маршрутов и управление заказами
• 3.5 Сравнение сценария работы с приложением «Антор»
• 3.6 Сравнение сценария работы с приложением «Яндекс Маршрутизация»
• 3.7 Анализ и подтверждение оптимальности построенных маршрутов
• 3.8 Оценка экономической эффективности внедрения интеллектуальной системы маршрутизации
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ