یک الگوریتم تولید ستون اکتشافی مبتنی بر یادگیری ماشین برای مسئله گروه‌بندی و زمان‌بندی کامیون‌ها در حالت حمل و نقل تعویض تریلر

صنعت لجستیک با چالش‌های قابل توجهی در هزینه‌های عملیاتی و رضایت متخصصان مواجه است که مستلزم مدیریت کارایی بالاتر و کنترل هزینه است. در این مطالعه، ما یک حالت حمل و نقل جدید تعویض تریلر (TSTM) را در سناریوی حمل و نقل جاده‌ای طولانی مدت بر اساس تعویض کانتینر/تریلر معرفی می‌کنیم و یک مسئله گروه‌بندی و زمان‌بندی کامیون (TGSP) را با TSTM مطالعه می‌کنیم. ما TGSP را به عنوان یک مدل برنامه‌ریزی عدد صحیح مختلط مختصر (MILP) فرموله می‌کنیم. ما یک الگوریتم تولید ستون اکتشافی مبتنی بر یادگیری ماشین (CGML) را برای حل این مسئله پیشنهاد می‌کنیم، که در آن تکنیک یادگیری ماشین گنجانده شده می‌تواند به طور موثر کارایی تصمیم‌گیری و دقت الگوریتم تولید ستون (CG) را بهبود بخشد. ما همچنین عملکرد MILP، الگوریتم CG اکتشافی و الگوریتم CGML پیشنهادی را برای TGSP بر اساس آزمایش‌های عددی گسترده ارزیابی می‌کنیم. نتایج نشان می‌دهد که الگوریتم CGML پیشنهادی از نظر دقت و کارایی راه‌حل، به ویژه برای نمونه‌های در مقیاس بزرگ، از سایر رویکردهای آزمایش شده بهتر عمل می‌کند. بر اساس تحلیل حساسیت، چندین بینش مدیریتی ارائه شده است.

مقدمه

صنعت لجستیک با رشد اقتصادی انفجاری و عملیات تجاری گسترده ناشی از جهانی شدن اقتصاد و توسعه تجارت الکترونیک روبرو است. در سال 2022، حجم کل بار جاده‌ای کامیون (FTL) ایالات متحده 12641 میلیون تن با 13611 میلیارد دلار آمریکا است که 64.4 درصد از کل حجم بار را تشکیل می‌دهد (وزارت حمل و نقل ایالات متحده. دفتر آمار حمل و نقل، بدون تاریخ). با این حال، صنعت رو به رشد حمل و نقل جاده‌ای، نهادهای بازار را افزایش می‌دهد و انتظارات مشتریان را برای خدمات لجستیکی با کیفیت و مقرون به صرفه افزایش می‌دهد، که ارائه دهندگان لجستیک را تحت فشار قرار می‌دهد تا حمل و نقل کارآمدتری را با قیمت‌های پایین‌تر ارائه دهند و منجر به رقابت شدیدتر در بازار شود (مانچینی و همکاران، 2021). یکی از چالش‌های اصلی که صنعت حمل و نقل جاده‌ای در حال حاضر با آن مواجه است، استفاده ضعیف از وسایل نقلیه و مسافت پیموده شده خالی بیش از حد است. عمدتاً به دلیل عدم تعادل در شبکه‌های توزیع و برنامه‌ریزی ناکارآمد و برنامه‌ریزی مسیر، بسیاری از وسایل نقلیه باری اغلب پس از اتمام یک کار تحویل، نیاز دارند که بدون هیچ باری به نقطه مبدا خود بازگردند یا به نقطه کار بعدی بروند. جدا از فرصت‌ها و چالش‌های کلی صنعت حمل و نقل جاده‌ای، مشکلاتی نیز برای متخصصان کلیدی این صنعت، یعنی رانندگان کامیون، وجود دارد. رانندگان کامیون با مشکلات مختلفی مانند ساعات کاری طولانی، الگوهای استراحت نامنظم و افزایش هوشیاری ذهنی مواجه هستند. نشان داده شده است که بیش از دو سوم رانندگان کامیون در چین روزانه بیش از 10 ساعت کار می‌کنند (گزارش شماره 1 نظرسنجی رانندگان کامیون چین، 2018). محیط کاری طاقت‌فرسای رانندگان کامیون در مسافت‌های طولانی اغلب منجر به خستگی راننده می‌شود و خطر تصادفات را تقریباً 20 درصد افزایش می‌دهد و در نتیجه بر ایمنی جاده، کارایی حمل و نقل و کیفیت خدمات تأثیر می‌گذارد. علاوه بر این، صنعت حمل و نقل به دلیل حاشیه سود کم خود که تنها حدود 3 درصد است، بدنام است (Goel, 2010; Mancini et al., 2021). و بنابراین، کاهش هزینه‌های کلی برای حمل بار در مسافت‌های طولانی برای افزایش درآمد رانندگان، بهبود رضایت شغلی و استانداردهای زندگی آنها بسیار مهم است.

در نتیجه، حمل و نقل جاده‌ای سنتی و طولانی مدت با کامیون‌های پر از بار، با چالش‌های متعددی از جمله راندمان عملیاتی پایین، هزینه‌های عملیاتی بالا، برنامه‌ریزی پیچیده وظایف، کاهش رضایت شغلی کارکنان و افزایش خطرات ایمنی مواجه است. برای رسیدگی به این مسائل، اقدامات مختلفی در این صنعت اتخاذ شده است. به عنوان مثال، حمل و نقل با روش رها کردن و کشیدن، تریلرهای باری را از تراکتورها جدا کرده و زمان بارگیری را صرفه‌جویی می‌کند. تغییر موقعیت تریلر از روش‌های داده محور برای بهینه‌سازی برنامه‌ریزی تریلرهای خالی استفاده می‌کند و استفاده از وسیله نقلیه را افزایش می‌دهد. با این حال، این اقدامات نیز محدودیت‌هایی دارند. حمل و نقل با روش رها کردن و کشیدن در حال حاضر محدود به سناریوهای حمل و نقل مبتنی بر بندر و ترمینال است و تغییر موقعیت تریلر برای یافتن تقاضای دقیق تریلرها در شبکه‌های بزرگ با مشکل مواجه است. اما مهمتر از همه، به نظر می‌رسد این راه‌حل‌ها مزایا و رفاه رانندگان کامیون را نادیده می‌گیرند، که یک اشتباه مهم در تجزیه و تحلیل عملیاتی جامع صنعت حمل و نقل جاده‌ای است.

با این حال، حمل و نقل مشارکتی نوظهور و لجستیک مشترک، ارائه دهندگان لجستیک را در یک منطقه یا صنعت قادر می‌سازد تا منابع حمل و نقل، مانند کامیون‌ها و تریلرها را به اشتراک بگذارند تا مسافت پیموده شده خالی را کاهش دهند. با روشن شدن این موضوع، این مقاله یک روش حمل و نقل بزرگراهی با تعویض تریلر (TSTM) را بر اساس تعویض کانتینر/تریلر برای بهبود کیفیت زندگی رانندگان معرفی می‌کند و مسئله گروه‌بندی و زمان‌بندی کامیون (TGSP) TSTM را مطالعه می‌کند. TSTM به شرح زیر توصیف می‌شود: دو یا چند کامیون (یک کامیون از یک تراکتور و یک تریلر جداشونده تشکیل شده است) از مبدا مربوطه خود حرکت می‌کنند و به مکان‌های تعیین شده، مانند ورودی‌ها/خروجی‌های بزرگراه، انبارها یا اسکله‌ها و نقاط دریافت بار (که از این پس به عنوان نقاط تعویض نامیده می‌شوند) می‌رسند. کامیون‌هایی که به همان نقطه تعویض می‌رسند، می‌توانند عملیات تعویض تریلر (جدا کردن تریلر اصلی و اتصال یک تریلر جدید) را انجام دهند و تراکتورها را با تریلرهای مختلف جابجا کنند. سپس رانندگان تریلرهای تازه متصل شده را به مقاصد جدید تریلرها منتقل می‌کنند و پس از تحویل، به مبدا خود بازمی‌گردند. برای کارهایی که توزیع OD آنها برای حمل و نقل تعویض تریلر مناسب نیست، رانندگان می‌توانند وظایف را به طور مستقل انجام دهند.

اجرای TSTM مزایای مختلفی را برای رانندگان، ارائه دهندگان خدمات حمل و نقل بار و به طور کلی جامعه ارائه می‌دهد. برای رانندگان، TSTM می‌تواند مسافت سفر، زمان رانندگی و بهبود کارایی کارشان را کاهش دهد، زیرا می‌توانند به جای جستجوی یک کار فرعی پس از اتمام کار قبلی، در حین انجام کار قبلی، وظیفه‌ای را که مقصد آن نزدیک به مبدا آنهاست، انجام دهند و در نتیجه کارایی کار و کیفیت زندگی خود را بهبود بخشند. برای ارائه دهندگان خدمات حمل و نقل بار، TSTM می‌تواند زمان کار را کاهش دهد و در نتیجه باعث صرفه‌جویی در هزینه شود. از دیدگاه اجتماعی، TSTM می‌تواند به کاهش حوادث رانندگی ناشی از سرعت غیرمجاز و خستگی کمک کند و به افزایش ایمنی ترافیک عمومی کمک کند.

TGSP در TSTM را می‌توان به عنوان نوعی مسئله مسیریابی وسیله نقلیه (VRP) در نظر گرفت. معمولاً، VRPها را می‌توان با استفاده از الگوریتم تولید ستون (CG) به طور مؤثر حل کرد، که به صورت تکراری ستون‌های جدیدی را برای بهینه‌سازی مسئله اصلی و بهبود کارایی بدون کاوش کامل فضای راه‌حل تولید می‌کند. با توجه به تعداد زیاد ترکیبات متغیر درگیر در مسئله، CG به ویژه مناسب است. علاوه بر این، فرآیند تصمیم‌گیری در TGSP شامل چندین موجودیت و وابستگی‌های متقابل پویا در مدل است که نشان‌دهنده وجود بالقوه الگوهای اساسی در راه‌حل است. با شناسایی و استفاده از این الگوها، می‌توان بینش‌های پیش‌بینی‌کننده‌ای ارائه داد که می‌توانند فرآیند حل مسئله را تسریع کرده و دقت راه‌حل را افزایش دهند. با این حال، کشف این ویژگی‌ها تحت چنین محدودیت‌های پیچیده و ترکیبات تصمیم‌گیری متعدد به صورت دستی چالش برانگیز است. این پیچیدگی، اگرچه برای تحلیل دستی دلهره‌آور است، اما برای یادگیری ماشینی سودمند است زیرا ترکیبات پیچیده و متعدد تصمیم‌گیری، مجموعه‌ای غنی از ویژگی‌ها را برای ورودی فراهم می‌کنند و به مدل‌های یادگیری ماشینی اجازه می‌دهند تا یادگیری ویژگی جامعی را انجام دهند و سعی کنند این الگوها را کشف کنند. با به‌کارگیری مدل یادگیری ماشینی، می‌توانیم از این الگوها برای بهبود کارایی و دقت تصمیم‌گیری در TGSP استفاده کنیم.

تحقیقات موجود در مورد بهینه‌سازی و زمان‌بندی TSTM در حال حاضر محدود است. این مسئله در ادبیات، بسطی از مسئله فروشنده دوره‌گرد سنتی (Dantzig و همکاران، ۱۹۵۴) و VRP (Dantzig و Ramser، ۱۹۵۹) در نظر گرفته می‌شود. TSTM شامل هماهنگی تراکتورها و تریلرها از طریق عملیات اتصال و جداسازی است که شبیه سایر انواع VRP است که به طور گسترده مورد مطالعه قرار گرفته‌اند، مانند مسئله رها کردن و کشیدن (DP) و مسئله مسیریابی کامیون و تریلر (TTRP). علاوه بر این، مروری بر تحقیقات مرتبط در مورد استفاده از مدل‌های یادگیری ماشین برای بهبود الگوریتم‌ها برای حل مسائل بهینه‌سازی ترکیبی انجام شده است.

جداسازی وسایل نقلیه شامل جداسازی عناصر حمل بار وسایل نقلیه حمل و نقل به واحدهای جداشدنی، مانند نیمه تریلرها و تریلرهای کانتینری است که می‌توانند به سرعت از هم جدا شده و دوباره با تریلرها متصل شوند. جداسازی وسایل نقلیه به طور قابل توجهی انعطاف‌پذیری سیستم حمل و نقل را افزایش می‌دهد (Chen et al., 2021). در حوزه جداسازی وسایل نقلیه، محققان بر استفاده از انعطاف‌پذیری افزایش یافته ناشی از جداسازی وسایل نقلیه، همراه با شرایط دنیای واقعی، برای توسعه راه‌حل‌های حمل و نقل بهینه با هدف کاهش هزینه و افزایش کارایی تمرکز می‌کنند.

TTRP به نوعی از VRP اشاره دارد که در آن ناوگانی از وسایل نقلیه متشکل از کامیون‌ها و تریلرها با ظرفیت محدود، به گروهی از مشتریان با تقاضاهای مشخص خدمت‌رسانی می‌کنند. مشتریان به دو دسته مشتریان تک کامیونی و مشتریان پر کامیونی طبقه‌بندی می‌شوند. مشتریان تک کامیونی برای ارائه خدمات، نیاز دارند که کامیون‌ها تریلرها را از هم جدا کنند. مشتریان پر کامیونی را می‌توان یا با یک کامیون به تنهایی یا با ترکیب کامیون-تریلر خدمت‌رسانی کرد. هدف، به حداقل رساندن کل هزینه سفر در عین برآورده کردن محدودیت‌های ظرفیت و دسترسی است. چائو (2002) اولین کسی بود که TTRP را معرفی کرد و یک الگوریتم اکتشافی مبتنی بر جستجوی ممنوعه و آنیلینگ قطعی برای حل پیشنهاد داد. شکل 2 نوع وسیله نقلیه ذکر شده در TTRP، مسئله DP و TGSP را نشان می‌دهد.

درکسل (2011) TTRP تعمیم‌یافته را شامل ناوگان متنوع و با در نظر گرفتن عوامل متعدد، از جمله محدودیت‌های زمانی، محدودیت‌های دسترسی و ایستگاه‌های انتقال تعیین‌شده، معرفی کرد. درکسل (2013) TTRP را با محدودیت‌های همگام‌سازی چندگانه پیشنهاد کرد که شامل همگام‌سازی مکانی، زمانی و بار می‌شود. درکسل (2014) TTRP تعمیم‌یافته را با جنبه‌های تریلر و انتقال به کشتی توضیح داد. لین و همکاران (2010) یک TTRP ساده‌شده را پیشنهاد کردند و ثابت کردند که ساده‌سازی محدودیت اندازه ناوگان می‌تواند هزینه کل مسیریابی را بیشتر کاهش دهد. سپس، لین و همکاران (2011) TTRP را با پنجره زمانی و یک الگوریتم ابتکاری نیز معرفی کردند. دریگز و همکاران (2013) یک TTRP بدون انتقال بار پیشنهاد کردند. دا کروز و دا کونها (2023) TTRP واحد سودآور را با پنجره زمانی که تغییرات سرعت خودرو را در نظر می‌گیرد، معرفی کردند.

بیشتر مطالعات TTRP از تکنیک‌های اکتشافی عمومی استفاده می‌کنند. در حالی که برخی الگوریتم‌های خاصی مانند روش‌های شاخه و قیمت و روش‌های مبتنی بر CG را ابداع کرده‌اند. Drexl (2011) یک الگوریتم شاخه و قیمت با تکنیک‌های شتاب اکتشافی پیشنهاد کرد. آزمایش‌ها نشان داد که نمونه‌های کوچک با حداکثر 30 گره را می‌توان با آن به صورت بهینه حل کرد. Belenguer و همکاران (2015) یک الگوریتم شاخه و حد برای TTRP تکی با انبارهای ماهواره‌ای پیشنهاد کردند. Cavagnini و همکاران (2024) یک الگوریتم جستجوی محلی تکرارشونده برای TTRP تکی نامتقارن با انبارهای ماهواره‌ای معرفی کردند. Villegas و همکاران (2013) و Accorsi و Vigo (2020) هر کدام یک الگوریتم اکتشافی مبتنی بر CG برای TTRP ارائه کردند.

DP یکی دیگر از روش‌های حمل و نقل است که از فناوری جداسازی کامیون استفاده می‌کند. تمایز کلیدی بین این دو در جداسازی اجباری در TTRP نهفته است که به دلیل سازگاری کامیون‌های حمل و نقل یا الزامات خاص در نقاط کاری ضروری است. جداسازی تراکتور و تریلر در TTRP با هدف حفظ منابع حمل و نقل و کاهش زمان انتظار انجام می‌شود و تصمیم به جداسازی با برنامه‌ریزی نیازها و فرآیندهای بهینه‌سازی تعیین می‌شود. برعکس، در حالت DP، تأکید معمولاً بر استفاده کارآمد از تراکتور (راننده) است که تراکتور را قادر می‌سازد تا چندین کار حمل و نقل را بدون انتظار برای بارگیری و تخلیه انجام دهد و در نتیجه از طریق جداسازی سریع و ترکیب مجدد تریلرها، در زمان انتظار صرفه‌جویی کند.

شائو و همکاران (2023) سناریوهای حمل و نقل و توزیع تقاضا برای حمل و نقل مستقیم (DP) را بررسی کردند و دریافتند که سناریوهایی با توزیع تقاضای متمرکز، مسیرهای ثابت و توزیع تقریباً برابر تقاضای بار برای حمل و نقل مستقیم (DP) مناسب‌تر هستند. ژو و همکاران (2022) همچنین خاطرنشان کردند که وظایف حمل و نقل مجدد کانتینر شامل تقاضاهای حمل و نقل قطعی با مسیرهای حمل و نقل ثابت و غیرقابل تفکیک است و هدف اصلی حمل و نقل مستقیم را کاهش هزینه‌های معطلی بین وظایف حمل و نقل مستقیم عنوان کردند.

ژو و همکاران (2014) و ژو و همکاران (2015) یک مسئله تغییر موقعیت کانتینر در عملیات ترمینال با استفاده از حمل و نقل DP را با استفاده از الگوریتم‌های جستجوی ممنوعه و کلونی مورچه‌ها بررسی کردند که منجر به حداقل 15.26٪ کاهش هزینه شد. فنگ و چنگ (2021) یک مدل تطبیق کامیون-بار را بر اساس تناسب تقاضا-ظرفیت توسعه دادند. ژانگ، وانگ و وانگ (2021) مسئله حمل و نقل کانتینر با رها کردن و کشیدن چندین تریلر را معرفی کردند و نشان دادند که کشیدن دو تریلر می‌تواند حدود 30٪ در هزینه‌های عملیاتی صرفه‌جویی کند. کوی و همکاران (2022) یک الگوریتم دو مرحله‌ای را با ترکیب جستجوی همسایگی بزرگ و جستجوی ممنوعه برای مدیریت ذخیره‌سازی کانتینر در نقاط تحویل پیشنهاد کردند. ژو و همکاران (2022) ادغام زمان‌های استراحت اجباری راننده در حمل و نقل DP را برای ایمنی و کارایی مطالعه کردند. وانگ و همکاران (2024) یک DP با تعادل مسیر برای تضمین عدالت بین رانندگان کامیون ارائه دادند. نوز-موریرا و همکاران (2016) با استفاده از یک الگوریتم ابتکاری، به یک مسئله پیچیده حمل و نقل بار شامل تبادل نیمه تریلر در چندین نقطه انتقال پرداختند.

TTRP به مسائل مسیریابی مربوط به کامیون‌های حامل تریلرهای کانتینری یا انتخاب محل پارکینگ برای تریلرهای بدون موتور می‌پردازد. هر کامیون به طور مستقل و بدون تعامل عمل می‌کند. DP برای سناریوهایی با توزیع تقاضای متمرکز و مسیرهای ثابت، مانند ترمینال‌ها و بنادر که به محوطه‌هایی برای ذخیره‌سازی کانتینر نیاز دارند، مناسب است. از لحاظ تئوری، TTRP، DP و TSTM همگی متعلق به حالت حمل و نقل مشارکتی (CTM) هستند. بر اساس رویکردهای عملیاتی CTM، می‌توان آن را به اشتراک‌گذاری سفارش و اشتراک‌گذاری ظرفیت توصیف کرد. مسائل CTM معمولاً شامل تصمیم‌گیری‌هایی با گروه‌بندی و خوشه‌بندی وسایل نقلیه، تطبیق سفارش، رله کردن مسیر و غیره هستند. در مقابل، TGSP پیشنهادی TSTM ویژگی‌های جدیدی را معرفی می‌کند که در مسائل فوق‌الذکر وجود ندارد و به طور منحصر به فرد چیدمان کامیون‌ها و بازگشت کامیون‌های خالی به مبدا آنها پس از اتمام کار را در نظر می‌گیرد.

در CG سنتی، تولید ستون‌های جدید شامل حل‌های تکراری زیرمسائل قیمت‌گذاری مشتق‌شده از مسئله اصلی است. این زیرمسائل معمولاً با رویکردهای اکتشافی یا الگوریتم‌های دقیق حل می‌شوند. این زیرمسائل اغلب به عنوان NP-hard شناخته می‌شوند که منجر به ناکارآمدی در جستجوی ستون‌های جدید می‌شود که به عنوان یک گلوگاه در الگوریتم‌های CG عمل می‌کنند. در سال‌های اخیر، علاقه تحقیقاتی به سمت استفاده از تکنیک‌های یادگیری ماشین برای تسریع فرآیند CG افزایش یافته است.

برخی از محققان تلاش‌هایی را برای استفاده از یادگیری ماشین (ML) به منظور شناسایی ستون‌های بهینه برای اضافه کردن به مسئله اصلی انجام دادند. به عنوان مثال، مورابیت و همکاران (2021) از شبکه‌های عصبی گراف برای انتخاب زیرمجموعه‌های متغیر تولید شده در طول هر تکرار CG استفاده کردند که منجر به افزایش 30 درصدی کارایی محاسباتی در مقایسه با روش‌های مرسوم شد. در یک کار بعدی، مورابیت و همکاران (2022) یک مکانیسم انتخاب قوس مبتنی بر ML تعمیم‌یافته را معرفی کردند که قوس‌ها را در یک شبکه ساده‌شده با احتمال بالای قرار گرفتن در راه‌حل آزادسازی خطی شناسایی می‌کند. چی و همکاران (2023) پیشگام ادغام یادگیری تقویتی (RL) در مرحله انتخاب ستون CG بودند و الگوریتم CG مبتنی بر یادگیری تقویتی را معرفی کردند. این رویکرد، میانگین تعداد تکرارهای CG را در مقایسه با الگوریتم 30 درصد کاهش داد. به طور مشابه، یادگیری تقویتی (RL) در الگوریتم‌های صفحه برش برای برنامه‌ریزی خطی عدد صحیح اعمال شده و استراتژی‌هایی برای انتخاب برش‌های مؤثر با استفاده از تکنیک‌های تکاملی ابداع شده است. این پیشرفت‌ها، علاقه روزافزون به مهار روش‌های یادگیری ماشین (ML) برای افزایش کارایی الگوریتم‌های CG در پرداختن به چالش‌های بهینه‌سازی پیچیده را برجسته می‌کند.

برخی مطالعات با هدف کاهش اندازه شبکه تصمیم‌گیری برای سرعت بخشیدن به زیرمسئله قیمت‌گذاری در CG انجام شده‌اند. طاهر و همکاران (2021) شبکه‌های عصبی را با CG برای مسئله جفت شدن هواپیما ترکیب کردند و از شبکه‌های عصبی عمیق برای پیش‌بینی احتمالات اتصال پرواز به جای حل مسائل قیمت‌گذاری استفاده کردند. هوانگ و همکاران (2023) مسئله بازیابی تأخیر پرواز باری را مطالعه کردند و یک تکنیک تولید ستون-ردیف مبتنی بر یادگیری ماشین را برای کاهش اندازه زیرمسئله پیشنهاد دادند. شن و همکاران (2022) روش ابتکاری قیمت‌گذاری مبتنی بر یادگیری ماشین را معرفی کردند که از مدل‌های یادگیری ماشین برای پیش‌بینی راه‌حل‌های مسئله قیمت‌گذاری و هدایت CG استفاده می‌کند. ژو و همکاران (2023) روش ابتکاری فوق ابتکاری مبتنی بر یادگیری تقویتی را برای تسریع همگرایی CG و بهبود کیفیت راه‌حل عدد صحیح معرفی کردند که روی VRP با پنجره زمانی و مسئله زمان‌بندی راننده اتوبوس (BDSP) آزمایش شد و مزیت آن را در بهینه‌سازی ترکیبی نشان داد.

ماهیت پیچیده و چندوجهی TSTM، چالشی را در درک کامل و خلاصه‌سازی الگوها از طریق آزمایش‌های تجربی پایه ایجاد می‌کند. برخلاف VRP کلاسیک، که در آن تغییرات در برنامه مسیر و برنامه زمانی فقط بر ترتیب بازدید کامیون‌ها از نقاط تقاضا تأثیر می‌گذارد بدون اینکه بر توالی نسبی بین سایر نقاط تقاضا تأثیر بگذارد، TGSP شامل مجموعه‌ای از متغیرها و پارامترهای مرتبط است که می‌تواند بردارهای ویژگی جامع‌تری را به دست دهد. در نتیجه، با توجه به این پیچیدگی‌ها، اتخاذ مدل‌های یادگیری ماشین مناسب تلقی می‌شود. این مدل‌ها با تجزیه و تحلیل مجموعه آموزشی گسترده‌ای از متغیرهای ویژگی که ممکن است ارزیابی دستی آنها غیرعملی باشد، ظرفیت تشخیص ارتباطات و الگوهای پیچیده ذاتی در TGSP را دارند. الگوریتم CG که با ML ترکیب شده است، امکان کاوش کامل در فضای ویژگی چندبعدی مسئله را فراهم می‌کند و تولید نتایج پیش‌بینی دقیق را تسهیل می‌کند و در نتیجه پشتیبانی ارزشمندی را در پرداختن به TGSP TSTM ارائه می‌دهد.

(1) این مقاله یک روش حمل و نقل جدید را معرفی می‌کند که با پرداختن به TGSP TSTM، رضایت شغلی و کیفیت زندگی رانندگان کامیون را افزایش می‌دهد. یک مدل برنامه‌ریزی عدد صحیح مختلط برای توصیف و حل مسئله فرموله شده است. ما همچنین الگوریتم تولید ستون اکتشافی (HCG) را برای حل کارآمد TGSP پیشنهاد می‌کنیم. HCG در ابتدا راه‌حل‌هایی را در یک فضای راه‌حل محدود تولید می‌کند و به صورت تکراری این راه‌حل‌ها را با حل زیرمسائل بر اساس برنامه‌های زیرحمل و نقل انتخاب شده و ترکیب روش‌های اکتشافی برای بهبود بر اساس راه‌حل‌های فعلی، اصلاح می‌کند.

(2) برای بهبود بیشتر عملکرد الگوریتم، یک تحلیل عمیق از مسئله انجام می‌شود. بر اساس مطالعه‌ی ارتباط متقابل متغیرهای منحصر به فرد و ویژگی‌های مسئله‌ی TGSP، ما یک تولید ستون را با استفاده از روش یادگیری ماشین طراحی می‌کنیم. این روش به وضوح دامنه‌ی جستجو و سرعت الگوریتم را بهبود می‌بخشد.

(3) این مقاله همچنین آزمایش‌های عددی سیستماتیک انجام می‌دهد. ما عملکرد پیش‌بینی مدل‌های یادگیری مختلف را ارزیابی می‌کنیم و یکی را برای جاسازی در الگوریتم انتخاب می‌کنیم. ما یک آزمایش عملکرد جامع با نمونه‌هایی با اندازه‌های مختلف انجام می‌دهیم و دقت و کارایی MILP، HCG و CGML را در پرداختن به TGSP مقایسه می‌کنیم. آزمایش‌های همگرایی نیز برای تجزیه و تحلیل سرعت همگرایی و مقادیر بهینه‌ی به‌دست‌آمده توسط روش‌های اکتشافی اولیه‌ی مختلف مورد استفاده در HCG و CGML انجام می‌شود. در نهایت، یک تحلیل حساس بر اساس سناریوی شبکه‌ی جاده‌ای واقعی انجام می‌شود و برخی از بینش‌های مدیریتی TSTM را ارائه می‌دهیم. (منبع).