ارائه یک چارچوب هوشمند برای بهینه سازی لجستیک سبز مبتنی بر دوقلوی دیجیتال و یادگیری تقویتی عمیق

در سال های اخیر رشد سریع فعالیت های حمل ونقل شهری و افزایش تقاضا برای خدمات تحویل چالش های جدی در زمینه مصرف انرژی و انتشار گازهای گلخانه ای ایجاد کرده است. این موضوع ضرورت توسعه راهکارهای هوشمند برای بهینه سازی لجستیک سبز را بیش از پیش آشکار می سازد. در این پژوهش یک چارچوب هوشمند مبتنی بر دوقلوی دیجیتال و یادگیری تقویتی عمیق ارائه می شود که هدف آن بهبود تصمیم گیری های عملیاتی در ناوگان حمل ونقل شهری و کاهش همزمان هزینه و ردپای کربنی است. در مرحله نخست یک دوقلوی دیجیتال از سیستم توزیع شهری توسعه داده شده که امکان شبیه سازی پویا، پایش لحظه ای و ارزیابی سناریوهای مختلف را فراهم می سازد. سپس یک عامل یادگیری تقویتی عمیق مبتنی بر الگوریتم DQN طراحی می شود تا با تعامل مستمر با محیط دیجیتال سیاست های بهینه در تخصیص مسیر و مدیریت ناوگان را بیاموزد. آزمایش ها در یک محیط شبیه سازی شامل ۴۰ مشتری و ۱۰ وسیله نقلیه نشان می دهد که چارچوب پیشنهادی به طور متوسط ۷.۴ درصد کاهش در انتشار کربن و ۹.۵ درصد بهبود در عملکرد عملیاتی نسبت به روش های مرسوم ارائه می دهد. نتایج بیانگر آن است که ترکیب دوقلوی دیجیتال با یادگیری تقویتی عمیق می تواند به عنوان یک ابزار تصمیم یار قدرتمند برای توسعه لجستیک سبز کارآمد و داده محور به کار گرفته شود و ظرفیت بالایی برای پیاده سازی در سامانه های حمل ونقل هوشمند دارد.

Keywords:

دوقلوی دیجیتال , یادگیری تقویتی عمیق , لجستیک سبز , تصمیم گیری داده محور , بهینه سازی ناوگان