Makine öğrenmesi ile araç rotalama problemi için önce-kümele sonra-rotala yöntemlerinin incelenmesi

Araç rotalama, lojistik endüstrisinde dağıtım operasyonlarını optimize etmek, yakıt/elektrık tüketimini azaltmak ve teslimat sürelerini iyileştirmek için kullanılmaktadır. Ancak, karmaşıklık seviyesi arttıkça büyük ölçekli rotalama problemlerinin çözümü zor hale gelebilir. Günümüzde bir çok amaç için kullanılan vasıtaların bir noktadan diğer bir noktaya ulaşana kadar izlediği güzergahın üretilmesi kaynak ve zaman ihtiyacı bakımından oldukça maliyetli ve zor bir problem olarak bilinmektedir. Özellikle güzergah oluşturmak için kullanılacak nokta sayısı fazla ise karmaşıklık seviyesi artmakta ve çözülebilir olma özelliği azalmaktadır. Bu durumda, önce kümeleme sonra rotalama yaklaşımı önemli bir çözüm sunar. Bu yaklaşım, büyük ve karmaşık rotalama problemlerini ele almak için önce kümeleme algoritmalarını kullanarak karmaşıklık olan problemi daha küçük ve anlamlı kümelere ayırmak için kullanılan bir yaklaşımdır. Oluşan her bir kümenin içindeki teslimat noktaları arasında optimal rotalar belirlenir. Böylece büyük bir rotalama problemi daha küçük ve yönetilebilir alt problemlere bölünür. Kümeleri daha küçük parçalara ayırmak, alt kümelerin daha az teslimat noktası içermesini sağlamakla beraber, rotalama algoritmalarının daha hızlı çalışmasını ve daha optimize edilmiş rotaların bulunmasını sağlar. Bu çalışmada, farklı kümeleme algoritmaları (k-ortalama, DBSCAN, BIRCH, OPTICS) üç farklı veri seti üzerinde ayrı ayrı çalıştırılarak elde edilen sonuçlar karşılaştırılmıştır. Vektör veri seti için elde edilen bulgulara göre k-ortalama en iyi sonucu ürettiği görülmüştür. Deneysel sonuçlar, önce-kümele sonra-rotala yaklaşımının hesaplama karmaşıklığını düşürerek araç rotalama problemlerinde yol mesafesini optimize edip seyahat maliyetini düşürdüğünü göstermektedir.