Araç rotalama problemi için bir öğrenen hibrit algoritması geliştirilmesi

Bu tez çalışmasında, lojistik ve dağıtım operasyonlarında sıklıkla karşılaşılan araç rotalama problemlerine yönelik, AI destekli, öğrenebilir ve hibrit bir optimizasyon algoritması geliştirilmiştir. Önerilen model; RL, YSA destekli genetik algoritmalar ve NoSQL tabanlı veri işleme altyapısının birlikte kullanımıyla, dinamik koşullara uyum sağlayabilen bir karar destek sistemi sunmaktadır. Klasik algoritmaların statik yapısının aksine, bu model geçmiş rota sonuçlarından öğrenerek adapte olabilmektedir. İstanbul'un iki yakasında gerçekleştirilen gerçek saha verilerine dayalı dört ayrı senaryo üzerinde yapılan testlerde, araç sayısı, toplam mesafe, rota süresi ve mesai süresi gibi performans göstergelerinde %18 ila %37 iyileşme sağlandığı gözlemlenmiştir. YSA destekli başlangıç popülasyonu, genetik algoritmanın erken yakınsama eğilimini azaltmış; NoSQL entegrasyonu ise büyük veri üzerinde hızlı ve çok ölçütlü sorgulamalara olanak sağlamıştır. RL modülü sayesinde sistem, operasyonel geri bildirimleri politika güncellemelerine dönüştürerek, performansını sürekli artırma yeteneği kazanmıştır. Sonuç olarak bu tez, gerçek zamanlı, esnek ve sahadan öğrenebilen bir karar destek modeliyle lojistik sektörüne yenilikçi katkılar sunmaktadır.