Daraja la Utabiri–Uboreshaji (Prediction–Optimization Bridge, POB) ni mfumo mseto wa uboreshaji unaokadiria kwanza matumizi ya nishati ya njia za magari kwa kutumia modeli mbadala ya ujifunzaji wa mashine iitwayo Random Forest (RF), kisha kupeleka makadirio hayo ya nishati kwa Non-dominated Sorting Genetic Algorithm II (NSGA-II) ili kujaribu kupunguza kwa pamoja nishati ya jumla ya meli na umbali wa jumla wa safari. Utafiti ulitumia mfano sintetiki wa upangaji njia za magari wenye wateja 26 na ghala moja; modeli ya RF ilifundishwa kwa uchunguzi sintetiki 4000 uliotengenezwa kwa kazi ya nishati iliyoongozwa na mahusiano ya kifizikia, kisha idadi ya watu 100 iliboreshwa kwa NSGA-II kwa vizazi 60.

Uwezo wa modeli mbadala ya Random Forest kuiga tena kazi ya nishati ya chanzo uliripotiwa kuwa \(R^2=0{,}9960\). Katika utekelezaji huru tano wa uboreshaji, kupungua kwa wastani kwa nishati kulikuwa %12,47 ± %2,32 ikilinganishwa na mbinu ya kihisabati ya upangaji njia inayotanguliza umbali ambayo chanzo kinaiita “distance-greedy” au “Industry Standard Greedy”. Thamani ya Hypervolume iliyosanifishwa iliripotiwa kuwa 0,6305 ± 0,0277, huku thamani ya Spacing ikiwa 109,32 ± 46,20.

Katika suluhisho la mfano lililochaguliwa la knee-point, matumizi ya nishati yalikuwa 685,9 kWh, wakati katika mfano huohuo mbinu ya distance-greedy ilitumia 780,0 kWh na upangaji njia wa nasibu ulitumia 833,3 kWh. Suluhisho hili lililochaguliwa linatumia takriban %12,1 chini ya nishati kuliko mbinu ya distance-greedy na takriban %17,7 chini kuliko upangaji njia wa nasibu. Thamani ya wastani ya utekelezaji huru tano, %12,47 ± %2,32, inapaswa kutenganishwa na thamani ya %12,1 ya suluhisho moja lililochaguliwa.

Kikomo muhimu zaidi cha kimetodolojia cha utafiti ni kwamba modeli ya nishati haikujifunza kutoka telemetria ya lori, vani au gari la umeme halisi. Data ya mafunzo ilitengenezwa kwa kazi sintetiki ya nishati iliyofafanuliwa na utafiti. Kwa hiyo, \(R^2=0{,}9960\) haimaanishi kuwa RF inatabiri matumizi ya nishati ya magari katika ulimwengu halisi kwa usahihi wa %99,6; badala yake inaonyesha kuwa inakaribia kwa ulinganifu wa juu sana uso wa nishati sintetiki wa utafiti wa chanzo. Vivyo hivyo, kupungua kwa wastani kwa nishati kwa %12,47 si akiba ya uwanjani iliyothibitishwa katika meli halisi ya mijini, bali ni matokeo ya mazingira haya sintetiki ya uboreshaji.

Tatizo ambalo utafiti unajaribu kutatua

Tatizo la kawaida la Upangaji Njia za Magari (Vehicle Routing Problem, VRP) ni tatizo la uboreshaji wa mchanganyiko linalojaribu kubainisha gari au meli ya magari itawahudumia wateja kwa mpangilio gani na itatumia njia zipi. Katika matumizi ya jadi ya VRP, lengo kuu mara nyingi ni kupunguza umbali wa jumla au gharama ya usafirishaji. Tatizo la Upangaji Njia za Magari kwa Ufanisi wa Nishati (Energy-Efficient Vehicle Routing Problem, EE-VRP), kwa upande mwingine, halizingatii umbali pekee bali pia mzigo, kasi, msongamano wa magari na mambo mengine ya kiutendaji yanayoathiri matumizi ya nishati.

Hoja ya kuanzia ya utafiti ni kwamba njia fupi zaidi si lazima kila wakati itumie nishati kidogo zaidi. Uzito unaobebwa na gari la kusambaza bidhaa si thabiti katika njia yote. Katika sehemu za mwanzo ambapo gari limebeba mzigo mkubwa, linaweza kutumia nishati tofauti kusafiri umbali uleule ikilinganishwa na hali yake nyepesi baada ya kufanya usambazaji zaidi. Kwa hiyo, mpangilio wa kutembelea wateja hauamui umbali wa kijiometri pekee, bali pia jinsi mzigo unaobebwa na gari unavyopungua njiani.

Waandishi wanagawanya tatizo hili katika tabaka mbili za ukokotoaji. Tabaka la kwanza ni modeli mbadala ya Random Forest inayokadiria kwa haraka matumizi ya nishati ya kila kipande cha barabara. Tabaka la pili ni uboreshaji wa NSGA-II unaotafuta uwiano wa nishati–umbali kati ya maelfu ya mipangilio inayowezekana ya wateja.

Makundi ya mbinu katika muktadha wa fasihi

Prediction–Optimization Bridge (POB) ni Nini?

Prediction–Optimization Bridge (POB) ni tabaka mseto la utabiri–uboreshaji linalounganisha moja kwa moja thamani za nishati za kiwango cha kipande zilizotabiriwa na Random Forest na tathmini ya ulinganifu ya NSGA-II, na hivyo kutathmini wagombea wa njia kwa kuzingatia matumizi ya nishati na umbali wa jumla.

Mbinu ya hatua nne ya utafiti

Mchoro wa mbinu wa chanzo unafafanua hatua nne kuu. Katika hatua ya kwanza, data sintetiki ya nishati iliyoongozwa na mahusiano ya kifizikia hutengenezwa na Random Forest hufundishwa. Katika hatua ya pili, mabadiliko ya mpangilio wa wateja hubadilishwa kuwa njia za magari zinazolingana na uwezo na mzigo badilifu wa gari huhesabiwa. Katika hatua ya tatu, NSGA-II huendeleza wagombea wa njia kwa kuzingatia nishati na umbali. Katika hatua ya nne, Pareto front, Hypervolume, Spacing, akiba ya nishati, muda wa utekelezaji na njia za kulinganisha hutathminiwa.

Tatizo limeundwa katika nafasi gani ya kihisabati?

Tatizo linafafanuliwa kama grafu kamili yenye mwelekeo:

\[ G=(V,A), \]

ambapo \(V=\{0,1,\ldots,N\}\) inawakilisha mkusanyiko wa nodi na \(A=\{(i,j):i,j\in V,\ i\neq j\}\) inawakilisha viunganishi vyenye mwelekeo vinavyoweza kutumika. Nodi \(0\) ni ghala kuu; \(C=\{1,\ldots,N\}\) ni mkusanyiko wa wateja na katika utafiti \(N=26\).

Mlinganyo (1): Uwakilishi wa kromosomu

\[ \pi=(\pi_1,\pi_2,\ldots,\pi_N) \tag{1} \]

\(\pi\) ni kromosomu inayotegemea mabadiliko ya mpangilio na kubainisha mpangilio wa kutembelea wateja. Kila \(\pi_i\) ni faharasa ya mteja. Ghala halijumuishwi kwenye kromosomu; huongezwa kando kama sehemu ya kuanzia na kumalizia wakati wa kutathmini njia. Uwakilishi huu huwezesha algorithimu ya kijenetiki kufanya kazi moja kwa moja juu ya “mpangilio wa wateja”.

Mlinganyo (2): Uboreshaji wa malengo mawili

\[ \min F(\pi)= \begin{bmatrix} F_1(\pi),F_2(\pi) \end{bmatrix}^{T} \tag{2} \]

Katika sehemu ya kihisabati ya utafiti, \(F_1\) ni matumizi ya jumla ya nishati ya meli na \(F_2\) ni umbali wa jumla wa safari. Badala ya namba moja “bora zaidi”, malengo mawili yanajaribiwa kupunguzwa kwa wakati mmoja. Kwa kuwa malengo yanaweza kukinzana, matokeo yanaweza kuwa si suluhisho moja bali mkusanyiko wa suluhisho za Pareto.

Mlinganyo (3): Nishati ya jumla ya meli

\[ F_1(\pi) = \sum_{e=1}^{E}\Psi(X_e) \tag{3} \]

\(E\) ni idadi ya jumla ya vipande vya barabara vinavyotokea baada ya kromosomu kubadilishwa kuwa seti za njia. \(X_e=[v_e,L_e,T_e,d_e]\) ni vekta ya sifa ya kipande \(e\). \(\Psi\) ni kitabiri mbadala cha Random Forest. Nishati inayotabiriwa kwa kila kipande hujumlishwa ili kupata lengo la nishati la meli nzima.

Mlinganyo (4): Kasi ya kipande

\[ v_e=\max(25,\ 80-0.3d_e) \tag{4} \]

Kasi hutengenezwa kwa uhusiano wa kudeterminisha unaotegemea umbali wa kipande. Kadiri \(d_e\) inavyoongezeka, neno \(80-0.3d_e\) hupungua; hata hivyo, operesheni ya \(\max\) huzuia kasi kushuka chini ya 25. Chanzo hakifafanui kando vitengo vya kifizikia vya kuratibu na uhusiano huu wa kasi katika jedwali la kihisabati. Kwa hiyo, uhusiano huu unapaswa kusomwa si kama sheria ya kasi–umbali iliyosawazishwa kwa jiji halisi, bali kama kanuni ya kiutendaji ya modeli sintetiki.

Mlinganyo (5): Uwiano badilifu wa mzigo

\[ L_e=\frac{w_e}{Q} \tag{5} \]

\(w_e\) ni mzigo unaobaki kwenye gari linapopita kipande \(e\); \(Q=7000\) ni uwezo. \(L_e\) ni uwiano wa mzigo usio na kipimo. Kadiri gari linavyofanya usambazaji, \(w_e\) hupungua na ingizo la nishati la vipande vinavyofuata hubadilika. Mojawapo ya vipengele vya kipekee vya utafiti ni kwamba badala ya kudhani mzigo ni thabiti katika njia yote, thamani hii husasishwa baada ya kila usambazaji.

Mlinganyo (6): Mgawo wa msongamano wa magari

\[ T_e=1.2 \tag{6} \]

Chanzo kinawakilisha hali ya msongamano wa magari katika tathmini ya njia kwa mgawo thabiti wa upanuzi \(1.2\). Kwa hiyo, wakati wa uboreshaji msongamano wa magari si kigezo chenye mienendo, kinachobadilika kwa muda au kinachopimwa kwa wakati halisi.

Mlinganyo (7)–(9): Kukokotoa umbali wa jumla

\[ F_2(\pi)=\sum_{k=1}^{K}D(r_k) \tag{7} \]

\[ D(r_k)=\sum_{(i,j)\in r_k}d_{ij} \tag{8} \]

\[ d_{ij} = \sqrt{(c_i^x-c_j^x)^2+(c_i^y-c_j^y)^2} \tag{9} \]

Mlinganyo (7) hujumlisha umbali wa njia zote za magari. Mlinganyo (8) hujumlisha umbali wa viunganishi vinavyofuatana katika njia ya gari moja. Mlinganyo (9) huhesabu umbali wa Euclidean kati ya nodi mbili kutoka kwenye kuratibu. Kwa hiyo, lengo la umbali ni mlolongo wa ukokotoaji wa ngazi tatu: umbali kati ya nodi → umbali wa njia → umbali wa jumla wa meli.

Modeli Mbadala ya Random Forest Inajifunza Nini Katika Utafiti Huu?

Modeli mbadala ya Random Forest haijifunzi data ya nishati iliyopimwa kutoka magari halisi, bali inajifunza uhusiano wa ingizo–tokeo wa kazi sintetiki ya nishati katika Mlinganyo (10) wa chanzo, unaotumia kasi, uwiano badilifu wa mzigo, mgawo wa msongamano na umbali, na hufanya kazi kama modeli ya kukaribia inayotoa utabiri wa haraka wa nishati ndani ya NSGA-II.

Mlinganyo (10): Kazi sintetiki ya lengo la nishati

\[ y = 0.05v_e + 0.8L_ed_e + 0.003v_e^2L_e + 0.3T_e \tag{10} \]

Mlinganyo huu huzalisha thamani za lengo za uchunguzi sintetiki 4000 wa mafunzo. \(v_e\) ni kasi, \(L_e\) ni uwiano wa mzigo, \(d_e\) ni umbali na \(T_e\) ni mgawo wa msongamano wa magari.

Neno la pili \(0.8L_ed_e\) huruhusu kuongezeka kwa pamoja kwa mzigo na umbali kuongeza lengo la nishati. Neno la tatu \(0.003v_e^2L_e\) huunganisha mraba wa kasi na mzigo na hivyo kuunda tabia isiyo ya mstari. Kwa hiyo, uso ambao Random Forest inajifunza si kazi rahisi ya umbali pekee.

Hata hivyo, chanzo hakiripoti jinsi migawo hii ilivyosawazishwa kwa lori mahususi, injini, betri, ramani ya matumizi ya mafuta au telemetria iliyopimwa ya meli. Ingawa nishati inaonyeshwa kwa kWh katika majedwali ya matokeo, usawazishaji wa vipimo wa migawo katika Mlinganyo (10) hauonyeshwi kando. Kwa hiyo, ingawa mlinganyo unatumiwa na chanzo kama “physics-informed”, haupaswi kuchukuliwa kuwa sawa na modeli ya kupima nishati ya gari halisi.

Mlinganyo (11): Utabiri wa Random Forest

\[ \Psi(X_{\text{edge}}) = \frac{1}{B} \sum_{b=1}^{B} T_b(X_{\text{edge}};\Theta_b) \tag{11} \]

\(B=100\) ni idadi ya miti ya maamuzi. \(T_b\) ni tokeo la mti wa regression wa \(b\); \(\Theta_b\) inawakilisha vigezo vya mgawanyiko wa mti, sifa zilizotumiwa na matokeo ya majani. Random Forest haitegemei utabiri wa mti mmoja; huunda tokeo la \(\Psi\) kwa kuchukua wastani wa utabiri wa miti 100. Kina cha juu cha mti kimewekewa kikomo cha 10.

Mgawanyo wa mafunzo/test

Chanzo kinaonyesha katika Mchoro 3 kwamba uchunguzi sintetiki 4000 uligawanywa kuwa %80 mafunzo na %20 test. Maandishi makuu yanasema modeli ilitathminiwa kwa vipimo vya R² na MAPE. Hata hivyo, ingawa thamani ya R² imeripotiwa wazi katika matokeo makuu ya makala, matokeo ya namba ya MAPE hayajatolewa; kwa hiyo thamani ya MAPE iliyokosekana haijakisiwa hapa.

Mlinganyo (12): Upekee wa mteja

\[ \pi=(\pi_1,\pi_2,\ldots,\pi_N), \qquad \pi_i\neq\pi_j,\ \forall i\neq j \tag{12} \]

Kila mteja huonekana mara moja tu katika kromosomu. Muundo huu huzuia mteja kurukwa au mteja yuleyule kutembelewa mara mbili ndani ya kromosomu.

Mlinganyo (13): Kuondoka ghala na kurudi ghala

\[ Route_k=(0,i_1,i_2,\ldots,i_m,0) \tag{13} \]

Kila njia ya gari huanza kwenye nodi ya ghala \(0\), hutembelea mlolongo wa wateja uliopangiwa na kurudi tena kwenye ghala \(0\).

Mlinganyo (14): Kizuizi cha uwezo

\[ \sum_{i\in r_k}q_i\leq Q, \qquad \forall k\in\{1,\ldots,K\} \tag{14} \]

Jumla ya mahitaji ya wateja waliopangiwa njia ya gari moja haiwezi kuzidi uwezo wa juu \(Q\). Kigawaji cha njia cha greedy huongeza wateja kwa mpangilio kwenye gari la sasa; ikiwa mteja anayefuata atasababisha uwezo kuzidi, njia ya sasa hufungwa na njia mpya ya gari huanzishwa.

Kwa nini mzigo huhesabiwa tena baada ya kila usambazaji?

Mwanzoni mwa njia, gari hubeba bidhaa za wateja zaidi ya mmoja. Baada ya kila usambazaji mzigo hupungua. Kwa kuwa POB husasisha mzigo uliobaki \(w_e\), mipangilio miwili tofauti ya wateja yenye umbali uleule wa kifizikia inaweza kutoa gharama tofauti za nishati. Utaratibu huu ndio msingi wa kwa nini utafiti unaona mpangilio wa mzigo kuwa muhimu badala ya kuboresha umbali pekee.

Mlinganyo (15): Kuchagua individi ambazo hazipo kwenye cache

\[ P_{\text{invalid}} = \{\pi\in P:\pi\notin \operatorname{dom}(\mathcal{H})\} \tag{15} \]

\(\mathcal{H}\) ni kamusi ya memoization inayohifadhi thamani za ulinganifu za kromosomu zilizotathminiwa hapo awali. Ikiwa kromosomu ileile itatokea tena, matokeo yaliyo kwenye cache yanaweza kutumiwa badala ya kuhesabu upya nishati na umbali. \(P_{\text{invalid}}\) huchagua individi ambazo bado hazipo kwenye cache na zinazohitaji kutathminiwa tena kweli.

Mlinganyo (16): Utabiri wa kundi la RF uliowekwa vekta

\[ Y_{\text{predictions}} = \Psi(M_{\text{batch}}) \in \mathbb{R}^{E_{\text{total}}} \tag{16} \]

Vipande vya njia vya kromosomu zote mpya huunganishwa katika matriki kubwa ya sifa iitwayo \(M_{\text{batch}}\) badala ya kutathminiwa moja moja katika mizunguko ya Python. Random Forest hutumia utabiri mara moja kwenye matriki hii. \(E_{\text{total}}\) ni idadi ya jumla ya vipande katika tathmini hiyo ya kundi.

Mlinganyo (17): Kukusanya tena ulinganifu wa nishati kwenye kromosomu

\[ F_1(\pi) = \sum_{e=1}^{E} Y_{\text{predictions}}[e], \qquad \mathcal{H}(\pi) \leftarrow \bigl(F_1(\pi),F_2(\pi)\bigr) \tag{17} \]

Matokeo ya kundi ya RF hugawanywa tena kwa kromosomu husika; nishati za vipande vya kila mgombea wa njia hujumlishwa na jozi ya nishati–umbali inayopatikana huhifadhiwa kwenye cache. Uwekaji vekta na memoization ni mbinu mbili kuu za kuongeza kasi ya ukokotoaji zilizowezesha utafiti kufikia muda wa utekelezaji wa sekunde chache.

Pareto Front na Suluhisho la Knee-Point Huchaguliwaje?

Badala ya kulazimisha nishati na umbali kuunganishwa katika alama moja yenye uzito, NSGA-II huzalisha suluhisho za Pareto ambazo hakuna suluhisho jingine linalozishinda katika malengo yote mawili kwa wakati mmoja; kisha utafiti huchagua suluhisho la Pareto lenye umbali mdogo zaidi wa Euclidean hadi hatua bora katika nafasi ya malengo iliyosanifishwa kama muafaka wa kiutendaji au suluhisho la knee-point.

Mlinganyo (18): Utawala wa Pareto

\[ x_1 \lt x_2 \iff \left[ F_i(x_1)\leq F_i(x_2)\ \forall i\in\{1,2\} \right] \land \left[ \exists j\in\{1,2\}:F_j(x_1)<F_j(x_2) \right] \tag{18} \]

Ikiwa suluhisho moja si baya zaidi kuliko jingine katika malengo yote mawili na ni bora kwa uwazi katika angalau lengo moja, linatawala suluhisho jingine. Individi ambazo hazitawaliwi na suluhisho lolote huwekwa kwenye Pareto front ya kwanza \(PF_1\).

Mlinganyo (19): Crowding distance

\[ I_d(x_i) = \sum_{m=1}^{2} \frac{ F_m(x_{i+1})-F_m(x_{i-1}) }{ F_m^{\max}-F_m^{\min} } \tag{19} \]

Crowding distance hupima suluhisho katika Pareto front hiyo hiyo liko mbali kiasi gani na majirani zake. Thamani ya juu inaonyesha suluhisho liko katika eneo lisilo na msongamano mkubwa. NSGA-II hujaribu kuzuia suluhisho zote kujikusanya katika hatua moja kwa kupendelea thamani za juu za crowding distance kati ya suluhisho zilizo kwenye front ya ubora uleule.

Waendeshaji wa kijenetiki

Uwezekano wa Ordered Crossover (OX) ni \(p_c=0.8\). Kizuizi cha wateja wanaofuatana huchukuliwa kutoka kwa mzazi mmoja na vitambulisho vya wateja vilivyobaki hukamilishwa kutoka kwa mzazi wa pili huku mpangilio wao ukihifadhiwa. Kwa njia hii, mpangilio wa njia unaweza kuhamishwa bila kuunda marudio ya wateja.

Uwezekano wa Shuffle Indexes Mutation ni \(p_m=0.2\). Katika kromosomu inayoingia kwenye mutation, uwezekano wa kila jeni kubadilishana nafasi na jeni jingine la nasibu ni %10. Mabadiliko haya huruhusu mipangilio mipya ya wateja kujaribiwa katika nafasi ya suluhisho.

Mlinganyo (20): Kusanifisha malengo

\[ f_1= \frac{F_1-400}{1200-400}, \qquad f_2= \frac{F_2-3000}{14000-3000} \tag{20} \]

Kwa kuwa nishati na umbali ziko kwenye mizani tofauti, zinasanifishwa kwa kutumia mipaka ya chini na ya juu ya kimataifa iliyowekwa mapema kabla ya kukokotoa Hypervolume. Chanzo kinatumia mipaka ya 400–1200 kwa \(F_1\) na 3000–14000 kwa \(F_2\).

Mlinganyo (21): Hypervolume

\[ HV(PF) = \Lambda \left( \bigcup_{f\in PF} [f_1,1.1]\times[f_2,1.1] \right) \tag{21} \]

\(\Lambda\) inawakilisha kipimo cha Lebesgue na \([1.1,1.1]^T\) inawakilisha hatua thabiti ya marejeleo. Hypervolume hufupisha ukubwa wa nafasi ya malengo ambayo Pareto front inafunika/inatawala kwa kulinganisha na hatua ya marejeleo. Chini ya usanifishaji na hatua ya marejeleo ileile, HV ya juu kwa ujumla huashiria muunganiko na ufunikaji bora zaidi.

Mlinganyo (22): Suluhisho la knee-point / muafaka

\[ \pi^* = \underset{\pi\in PF_1}{\arg\min} \sqrt{ f_1(\pi)^2+f_2(\pi)^2 } \tag{22} \]

Katika nafasi ya malengo iliyosanifishwa, hatua bora ni \((0,0)\). Mlinganyo huhesabu umbali wa Euclidean wa kila suluhisho la Pareto hadi hatua hii na huchagua suluhisho la karibu zaidi. Hivyo, badala ya kuchagua nishati ya chini zaidi pekee au umbali wa chini zaidi pekee, hujaribiwa kuchagua suluhisho lenye uwiano kati ya malengo mawili.

Mlinganyo (23): Mbegu tano huru za nasibu

\[ \sigma_r=42+r, \qquad r\in\{0,1,2,3,4\} \tag{23} \]

Utekelezaji tano huanza kwa mbegu za nasibu 42, 43, 44, 45 na 46. Lengo ni kuchunguza kama matokeo ya stokastiki ya NSGA-II yanategemea mwanzo mmoja wa nasibu.

Mlinganyo (24): Kipimo cha Spacing

\[ S = \sqrt{ \frac{1}{|PF_1|-1} \sum_{i=1}^{|PF_1|-1} (\bar d-d_i)^2 } \tag{24} \]

\(d_i\) ni umbali wa Euclidean kati ya hatua zinazofuatana za Pareto katika nafasi ya malengo; \(\bar d\) ni wastani wa umbali huo. Kadiri \(S\) inavyokaribia sifuri, ndivyo suluhisho zinavyosambazwa kwa vipindi vilivyo sawa zaidi katika front. Thamani ya juu inaonyesha kuongezeka kwa makundi au vipindi visivyo vya kawaida.

Mlinganyo (25): Akiba ya nishati dhidi ya mstari wa msingi wa distance-greedy

\[ \Delta E = \left( \frac{ F_1(\pi_{\text{greedy}}) - F_1(\pi^*) }{ F_1(\pi_{\text{greedy}}) } \right) \times100\% \tag{25} \]

Uwiano huu hutoa kwa asilimia kupungua kwa nishati kwa suluhisho la POB knee-point lililochaguliwa ikilinganishwa na suluhisho ambalo chanzo kinaita mstari wa msingi wa kawaida wa viwandani wa distance-greedy.

Mbinu na Matokeo ya Utafiti

Mazingira sintetiki ya majaribio

Katika mfano wa uboreshaji wa utafiti kuna ghala kuu moja na wateja 26. Mahitaji ya wateja yako katika anuwai ya 500–2500. Kuratibu za nodi zimefafanuliwa kwenye gridi ya vipimo viwili iliyotenganishwa katika anuwai \([-300,300]\). Uwezo wa gari umetajwa katika maandishi makuu na Jedwali 5 kama “vitengo” 7000. Badala ya kuwekwa thabiti mapema, ukubwa wa meli hutokea wakati permutasi inagawanywa kulingana na uwezo.

Muda wa utekelezaji

Utekelezaji wa kwanza ni sekunde 7; chanzo kinahusisha hili na kuanzisha mazingira ya uboreshaji, kugawa kumbukumbu, kuunda cache na kuanzisha modeli mbadala. Utekelezaji minne inayofuata iko katika anuwai ya takriban sekunde 3–4.

Mlinganyo (26): Muda wa wastani wa utekelezaji

\[ T_{\text{avg}}=4.30\ {\rm s} \tag{26} \]

Kwa kuzingatia thamani hii, chanzo kinadai kuwa mbinu ina matumaini kwa upangaji wa vifaa wa “near-real-time”. Hata hivyo, sekunde 4,30 si ucheleweshaji wa mfumo kutoka mwisho hadi mwisho uliopimwa kwenye API halisi za msongamano, telemetria halisi ya meli au mahitaji ya uwanjani yanayobadilika kila wakati; ni muda wa ukokotoaji wa mfano sintetiki wa wateja 26 katika mazingira ya Google Colab.

Matokeo ya R² = 0,9960 Yanapaswa Kutafsiriwaje?

\(R^2=0{,}9960\) inaonyesha kuwa modeli mbadala ya Random Forest inaeleza takriban %99,6 ya utofauti katika thamani sintetiki za nishati za test zilizotengenezwa kwa Mlinganyo (10) wa chanzo; matokeo haya hayamaanishi usahihi wa uwanjani wa %99,6 katika matumizi ya nishati yaliyopimwa ya magari halisi.

Uthibitishaji wa modeli mbadala

Katika Mchoro 6, chanzo kinaonyesha thamani sintetiki za lengo zinazoitwa “nishati halisi ya kifizikia” kwenye mhimili x na thamani za nishati zilizotabiriwa na Random Forest kwenye mhimili y. Nukta hukusanyika karibu na mstari wa utambulisho \(y=x\), na chanzo kinatafsiri hili kama dalili ya upotovu mdogo wa utabiri.

Hapa kauli “nishati halisi ya kifizikia” inapaswa kusomwa kwa tahadhari: nishati ya marejeleo katika grafu haijapimwa kutoka gari la maabara au uwanjani; ni thamani ya lengo sintetiki iliyotengenezwa kwa Mlinganyo (10). Kwa hiyo, grafu inajaribu jinsi Random Forest inavyokaribia vizuri fomula iliyo chini ya tatizo lake la mafunzo.

Kwa nini mgongano unatokea kati ya nishati na umbali?

Chanzo kinaonyesha kwamba katika Pareto front, kadiri nishati inavyopungua, umbali wa jumla unaweza kuongezeka katika baadhi ya suluhisho. Maelezo ya kimekanika ni usasishaji wa mzigo badilifu. Ikiwa wateja wenye mahitaji makubwa wanatembelewa mapema, uzito wa gari hupungua mapema; sehemu za baadaye za barabara zinaweza kupitiwa na mzigo mwepesi zaidi. Kwa hiyo, njia ndefu zaidi inaweza kutumia nishati kidogo kuliko baadhi ya njia fupi katika kazi ya nishati ya modeli.

Ugunduzi huu haumaanishi kwamba “katika ulimwengu halisi njia ndefu zaidi daima ni ya kiuchumi zaidi”. Chanzo kinaonyesha tu kwamba chini ya kazi yake ya nishati, muundo sintetiki wa mahitaji na sheria za njia, malengo ya umbali na nishati hayafanani kabisa.

Mlinganyo (27): Muhtasari wa malengo mawili katika sehemu ya matokeo

\[ \min(E_{\text{fleet}},D_{\text{fleet}}) \tag{27} \]

\(E_{\text{fleet}}\) inawakilisha nishati ya jumla ya meli na \(D_{\text{fleet}}\) inawakilisha umbali wa jumla wa meli. Mlinganyo huu unafupisha tatizo lote la uboreshaji la utafiti: lengo ni kupunguza nishati na umbali kadiri inavyowezekana, huku ukifanya muafaka kati yao uonekane kupitia suluhisho za Pareto.

Ulinganisho wa nishati wa mikakati mitatu ya njia

Thamani ya 685,9 kWh ya suluhisho la POB lililochaguliwa inalingana na kupungua kwa takriban %17,7 ikilinganishwa na 833,3 kWh ya suluhisho la nasibu na takriban %12,1 ikilinganishwa na 780,0 kWh ya suluhisho la distance-greedy. Wastani wa kupungua kwa nishati dhidi ya distance-greedy ulioripotiwa na chanzo katika utekelezaji huru tano ni %12,47 ± %2,32.

Chanzo hakibainishi kando katika sentensi husika ya matokeo iwapo kipengele cha “±2,32” kinawakilisha mkengeuko wa kawaida, kosa la kawaida au muda wa kujiamini. Kwa hiyo, Verianla kinawasilisha tu kwa namna kilivyoripotiwa katika chanzo.

Hypervolume na uthabiti wa Pareto

Hypervolume iliyosanifishwa kwa utekelezaji huru tano:

\[ HV=0.6305\pm0.0277 \]

imeripotiwa. Chanzo kinatafsiri utofauti mdogo kati ya utekelezaji kama dalili kwamba mchakato wa uboreshaji unakaribia maeneo ya ubora wa juu yanayofanana chini ya hali tofauti za kuanzia.

Thamani ya Hypervolume inategemea mipaka ya usanifishaji ya Mlinganyo (20) iliyotumiwa katika utafiti na hatua ya marejeleo \([1.1,1.1]^T\). Kwa hiyo, thamani ya 0,6305 haipaswi kulinganishwa bila muktadha na thamani ya HV iliyokokotolewa kwa mizani au hatua tofauti ya marejeleo katika utafiti mwingine.

Matokeo ya Spacing

Chanzo kinatoa thamani ya wastani ya Spacing kama:

\[ S=109.32\pm46.20 \]

na kuitafsiri kama dalili kwamba suluhisho za Pareto zimesambazwa kwa kiwango cha kati katika front. Kadiri Spacing inavyokaribia sifuri, ndivyo usambazaji unavyokuwa wa kawaida zaidi; thamani kubwa inaonyesha umbali kati ya suluhisho unabadilika zaidi.

Uchanganuzi wa umuhimu wa sifa

Matokeo haya yanaonyesha kuwa ndani ya muundo wa kazi sintetiki ya nishati na hali za majaribio za utafiti, mzigo ndio kigezo chenye nguvu zaidi cha kueleza. Hata hivyo, msongamano katika tathmini ya njia ni thabiti kama \(T_e=1.2\), na kasi pia hutolewa kwa namna ya kudeterminisha kutoka umbali kwa Mlinganyo (4). Kwa hiyo, hitimisho kwamba “kasi na msongamano si muhimu kwa nishati ya magari katika ulimwengu halisi” halipaswi kutolewa kutoka utafiti huu.

Ingawa chanzo kinaita sehemu hii “sensitivity analysis”, utaratibu uliofanywa kimsingi ni tafsiri ya umuhimu wa sifa za Gini za Random Forest. Hakujaripotiwa uchanganuzi wa kawaida wa kimataifa wa unyeti ulioundwa kwa kubadilisha kila kigezo kivyake kwa udhibiti.

Mifumo ya njia zilizoboreshwa

Mchoro 9 wa chanzo unalinganisha kwa kuona njia ya nasibu na usanidi wa njia iliyoboreshwa iliyochaguliwa. Suluhisho la nasibu linaonyesha makutano mengi zaidi ya njia, mpangilio wa wateja uliotawanyika na mikengeuko isiyo ya lazima. Suluhisho lililoboreshwa linazalisha makundi ya wateja yaliyopangwa zaidi na mifuatano ya njia iliyo thabiti zaidi.

Kwa kuwa mlolongo ghafi wa nukta/njia unaohusiana na kuratibu za wateja wa Mchoro 9 haujatolewa katika makala kama jedwali huru la data, Verianla haichori tena ramani hii kwa kuratibu zinazokadiriwa.

Matokeo yanayoungwa mkono na utafiti

• Random Forest ilikaribia kazi sintetiki ya lengo la nishati ya utafiti kwa kiwango cha \(R^2=0.9960\) katika data ya majaribio.
• POB iliweza kuunganisha kitaalamu utabiri wa nishati na uboreshaji wa NSGA-II.
• Kwa sababu ya usasishaji wa mzigo badilifu, njia fupi zaidi na njia yenye nishati ndogo zaidi si lazima ziwe sawa kila wakati.
• Katika utekelezaji huru tano wa uboreshaji sintetiki, wastani wa kupungua kwa nishati dhidi ya mstari wa msingi wa distance-greedy uliripotiwa kuwa %12,47 ± %2,32.
• Hypervolume iliyosanifishwa iliripotiwa kuwa 0,6305 ± 0,0277 na Spacing 109,32 ± 46,20.
• Utabiri wa RF uliowekwa vekta na mbinu ya memoization zilipunguza uboreshaji katika mfano huu wa tatizo hadi kiwango cha sekunde chache.
• Katika uchanganuzi wa Gini wa chanzo, mzigo wa gari ulikuwa na umuhimu wa takriban %70 na umbali takriban %29.

Matokeo ambayo utafiti hauungi mkono

• Haijaonyeshwa kwamba POB itatoa kwa hakika akiba ya nishati ya %12,47 katika kampuni halisi ya vifaa.
• Random Forest haijathibitishwa kwa \(R^2=0.9960\) kwenye telemetria halisi ya magari.
• Modeli haitumii data ya msongamano wa wakati halisi; mgawo wa msongamano katika tathmini ya njia ni 1.2.
• Utafiti haujafanya uthibitishaji wa uwanjani kwa lori, vani, gari la umeme au modeli mahususi ya injini/betri.
• Umuhimu wa sifa wa Gini si ukubwa wa athari ya kisababishi.
• Umuhimu wa mzigo wa takriban %70 hauwezi kutafsiriwa kuwa uwiano wa ulimwengu wote kwa miji, meli na modeli zote za nishati.
• Muda wa wastani wa sekunde 4,30 si ucheleweshaji wa mwisho hadi mwisho wa mfumo halisi wa uzalishaji wa vifaa.
• Chanzo hakijajaribu ujumuishaji kamili wa uwanjani wa msongamano halisi, hali ya hewa, mteremko wa barabara, teknolojia ya gari, tabia ya dereva au mienendo ya kuchaji/mafuta.

Mapungufu makuu ya kimetodolojia

Data sintetiki ya nishati: Kazi ya msingi ya nishati ya modeli haikutokana na data iliyopimwa ya meli. Kwa hiyo, thamani ya juu ya R² ya modeli mbadala inaonyesha hasa mafanikio ya kujifunza kazi sintetiki.

Usawazishaji wa kifizikia wa kazi ya nishati: Chanzo hakionyeshi jinsi migawo ya Mlinganyo (10) ilivyosawazishwa kwa mfumo mahususi wa uhamishaji nguvu wa gari au matumizi yaliyopimwa ya kWh/fuel.

Kigezo cha msongamano: Katika tathmini ya njia, \(T_e=1.2\) ni thabiti. Kwa hiyo, mabadiliko halisi ya msongamano hayawakilishwi kwa mienendo ndani ya uboreshaji.

Kigezo cha kasi: Kasi huhesabiwa kutoka uhusiano \(v_e=\max(25,80-0.3d_e)\), si kutoka data halisi ya kuendesha.

Kiwango: Mfano wa uboreshaji una wateja 26. Utafiti huu haujathibitisha muda uleule wa utekelezaji au ubora uleule wa suluhisho katika meli na mitandao mikubwa zaidi ya wateja.

Uripoti wa MAPE: Ingawa mbinu inataja MAPE kama kipimo cha tathmini, thamani ya namba ya MAPE haitolewi katika matokeo makuu.

Takwimu: Utafiti unatumia utekelezaji huru tano wa uboreshaji wenye mbegu za nasibu; hakuna jaribio la kawaida la nadharia tete, thamani ya p au uchanganuzi wa muda wa kujiamini ulioripotiwa.

Upatikanaji wa data/msimbo: Chanzo kinasema michango ya asili iko ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi anayewajibika; hakuna hazina tofauti ya msimbo wazi au seti ya data ya meli halisi iliyoripotiwa katika makala kuu.

Tofauti za uwasilishaji ndani ya chanzo

Katika Sehemu ya kihisabati 3.1.2, \(F_1\) inafafanuliwa kama nishati ya jumla na \(F_2\) kama umbali wa jumla. Hata hivyo, katika taswira ya usanifu wa kialgorithimu ya Mchoro 4 wa chanzo, “Objective 1” imewekewa lebo ya umbali na “Objective 2” nishati ya kimataifa. Verianla inachukua milinganyo ya kihisabati kama msingi lakini haifichi tofauti hii ya lebo ya kuona.

Wakati Jedwali 5 na maandishi makuu ya mbinu yanatoa uwezo wa gari kama \(Q=7000\) “units/vitengo”, katika Mchoro 4 wa chanzo kuna kauli “7000 kg per vehicle”. Kwa kuwa kitengo cha kimwili cha uzito hakijawekwa wazi na kwa uthabiti katika maandishi makuu, Verianla huhifadhi kauli “vitengo 7000” katika maelezo ya ukokotoaji.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: The Prediction Optimization Bridge (POB): A Surrogate Assisted Random Forest–NSGA-II Framework for Energy Efficient Vehicle Routing

Waandishi: Manal El Yadari; Fouad Jawab; Imane Moufad; Imane Tronnebati.

Mpangilio wa waandishi: Mpangilio wa chanzo umehifadhiwa kama ulivyo.

Mwandishi anayewajibika: Fouad Jawab.

Taasisi: Laboratory of Technologies and Industrial Services, Sidi Mohamed Ben Abdellah University, Fes 30000, Morocco.

Mchango sawa: Chanzo hakionyeshi uandishi wa kwanza wa pamoja au alama ya mchango sawa.

Jarida: Urban Science.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / namba ya makala: 10(11), 626.

DOI: 10.3390/urbansci10110626

Tarehe ya kuwasilisha: 28 Juni 2026.

Tarehe ya marekebisho: 19 Septemba 2026.

Tarehe ya kukubaliwa: 20 Septemba 2026.

Tarehe ya kuchapishwa: 29 Oktoba 2026.

Aina ya chanzo: Article; utafiti wa kihesabu wa upangaji njia za magari, uundaji wa modeli mbadala kwa ujifunzaji wa mashine na uboreshaji wa kievolusheni wenye malengo mengi.

Hali ya mapitio ya rika: Ni makala ya jarida iliyopitiwa na rika na kuchapishwa katika Urban Science.

Leseni: Leseni ya ufikiaji wazi ya Creative Commons Attribution (CC BY).

Kiungo rasmi cha uchapishaji: Ukurasa rasmi wa makala wa MDPI Urban Science kupitia DOI 10.3390/urbansci10110626.

Ufadhili: Waandishi wanaripoti kuwa utafiti haukupokea ufadhili wa nje.

Bodi ya maadili: Institutional Review Board Statement: Not applicable.

Ridhaa iliyoarifiwa: Informed Consent Statement: Not applicable.

Upatikanaji wa data: Waandishi wanasema michango asilia ya utafiti imo ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi anayewajibika.

Mgongano wa maslahi: Waandishi wanatangaza kuwa hakuna mgongano wa maslahi.

Taarifa ya akili bandia zalishi: Waandishi wanasema kwamba wakati wa kuandaa makala walitumia zana za akili bandia zalishi kwa usaidizi mdogo wa lugha na uundaji wa kuona wa michoro miwili, kama rangi/ikoni; walikagua na kuhariri matokeo wenyewe na wanachukua jukumu la maudhui ya uchapishaji.

Michango ya waandishi: Uundaji wa dhana: F.J., I.M., I.T.; mbinu: M.E.Y., F.J.; uandishi wa rasimu ya asili: M.E.Y.; mapitio na uhariri: M.E.Y., F.J., I.T.; ushauri/usimamizi: F.J., I.M. Waandishi wote wamesoma na kuidhinisha toleo lililochapishwa.

Mbinu kuu: Uchunguzi sintetiki 4000 ulioongozwa na mahusiano ya kifizikia; mgawanyo wa %80/%20 wa mafunzo-test; modeli mbadala ya Random Forest yenye miti 100 na kina cha juu cha 10; EE-VRP sintetiki yenye wateja 26 na ghala moja; usasishaji wa mzigo badilifu; greedy route-splitting inayotegemea uwezo; utoaji wa kundi wa RF uliowekwa vekta; memoization cache; NSGA-II yenye individi 100 na vizazi 60; Ordered Crossover; Shuffle Indexes Mutation; mbegu tano huru za nasibu; uchanganuzi wa Hypervolume, Spacing, akiba ya nishati, muda wa utekelezaji na umuhimu wa sifa za Gini.

Kikomo kikuu cha tafsiri: Matokeo ya utendaji ya utafiti yanahusu mazingira sintetiki ya uboreshaji ambayo hayajafanyiwa uthibitishaji wa nje kwenye telemetria halisi ya magari au meli halisi ya jiji. Kwa hiyo, thamani za nishati na viwango vya akiba havipaswi kujumlishwa moja kwa moja kama utendaji wa uwanjani.

Dokezo la uwasilishaji ndani ya chanzo: Sehemu ya kihisabati inafafanua \(F_1\) kama nishati na \(F_2\) kama umbali, lakini katika Mchoro 4 namba za malengo zimewekewa lebo kinyume. Mchoro huohuo unaonyesha uwezo wa \(Q=7000\) kama kg, huku maandishi makuu na Jedwali 5 yakitoa kitengo kama “units”. Tofauti hizi hazijasahihishwa kimya kimya.