Концепція розвитку інтегрованого підходу до формування логістичних маршрутів

Автор(и)

  • Павло Іванович Пасєка Київський національний університет будівництва і архітектури, Київ, Україна https://orcid.org/0000-0001-8675-7300
  • Світлана Анатоліївна Теренчук Київський національний університет будівництва і архітектури, Київ, Україна https://orcid.org/0000-0001-6527-4123

DOI:

https://doi.org/10.32347/2412-9933.2026.65.150-155

Ключові слова:

адаптивність, динамічне середовище, експерт, інформаційна система, машинне навчання, мультиагентна система, транспортна логістика, штучний інтелект

Анотація

Досліджено розвиток інформаційних систем формування логістичних маршрутів, що застосовуються у сфері транспортної логістики, та проаналізовано алгоритмічні підходи до вирішення задачі маршрутизації транспортних засобів. Основною метою цього дослідження є визначення концепції розвитку цих систем у напрямі вдосконалення їхньої здатності функціонувати в динамічному і стохастичному середовищі в режимі реального часу. Розглянуто такі класичні алгоритмічні підходи до задач маршрутизації, як пошук найкоротшого шляху, задача комівояжера, транспортна задача та їхні модифікації, що орієнтовані на роботу з обмеженнями реального часу. Досліджено інтелектуальні та гібридні системи динамічного планування маршрутів, що використовують евристичні методи, машинне навчання і навчання з підкріпленням. Показано, що більшість існуючих систем маршрутизації використовують спрощені або фрагментарні моделі середовища, що обмежує їхню здатність адаптуватися до суттєвих змін умов руху, інфраструктури або зовнішніх факторів. Виявлено, що ключовими обмеженнями сучасних підходів є недостатня універсальність подання даних про середовище, слабка інтеграція між аналітичними та інтелектуальними компонентами, а також відсутність експертного рівня узгодження рішень щодо визначення найкращого маршруту. Обґрунтовано доцільність використання графових моделей середовища як універсальної форми зберігання й обробки логістичних даних, яка придатна і для класичних алгоритмів маршрутизації, і для методів штучного інтелекту. Запропоновано концепцію інтегрованого підходу до формування логістичних маршрутів, що поєднує класичні алгоритми пошуку маршрутів з інтелектуальними методами аналізу середовища і мультиагентними системами. Ця концепція створює передумови для підвищення адаптивності, стійкості та масштабованості систем формування логістичних маршрутів без відмови від перевірених алгоритмічних методів.

Біографії авторів

Павло Іванович Пасєка, Київський національний університет будівництва і архітектури, Київ

Аспірант кафедри інформаційних технологій проектування та прикладної математики

Світлана Анатоліївна Теренчук, Київський національний університет будівництва і архітектури, Київ

Кандидат фізико-математичних наук, професор, професор кафедри інформаційних технологій проектування та прикладної математики

Посилання

Dijkstra, E. W. (1959). A note on two problems in connexion with graphs. Numerische Mathematik, 1, 269–271.

Hart, P., Nilsson, N. & Raphael, B. (1968). A formal basis for the heuristic determination of minimum cost paths. IEEE Transactions on Systems Science and Cybernetics, 4 (2), 100–107.

Toth, P. & Vigo, D. (2014). Vehicle routing: Problems, methods, and applications. SIAM.

Pasieka, P., Terenchuk, S., Poltorachenko, N. & Yeremenko, B. (2025). Methodology for decision making by an autonomous system in a complex logistical environment. Proceedings of “Information technologies and security”.

Dorigo, M. & Stützle, T. (2016). Ant colony optimization. MIT Press.

Gendreau, M. & Potvin, J.-Y. (2019). Handbook of metaheuristics. Springer.

Nazari, M. et al. (2018). Reinforcement learning for solving the vehicle routing problem. NeurIPS.

Kool, W., van Hoof, H. & Welling, M. (2019). Attention, learn to solve routing problems. ICLR.

Chen, X. et al. (2020). Dynamic vehicle routing with deep reinforcement learning. Transportation Research Part C, 113, 102577.

Wooldridge, M. (2020). An introduction to multiagent systems. Wiley.

Shen, W. et al. (2018). Multi-agent systems for transportation logistics. IEEE Systems Journal, 12 (1), 428–439.

Zhang, Y. & Chen, M. (2022). Multi-agent decision making in dynamic logistics environments. Applied Soft Computing, 116, 108364.

Xue, Z., Liu, Y., Zhang, H. & Wang, J. (2026). Resilient routing: Risk-aware dynamic routing in smart logistics via spatiotemporal graph learning. arXiv preprint. URL: https://arxiv.org/abs/2601.13632

Han, Z., Meng, L. & Zhang, J. (2025). A distributed hierarchical spatio-temporal edge-enhanced graph neural network for city-scale dynamic logistics routing. arXiv preprint. URL: https://arxiv.org/abs/2512.18441

Monemi, N., Ghobadi, S. & Tavakkoli-Moghaddam, R. (2025). Graph convolutional networks for logistics optimization: A survey of scheduling and operational applications. Transportation Research Part E: Logistics and Transportation Review, 185, 103450.

Kuliavets, A. & Burov, Y. (2025). A method for predicting delivery delays and route optimisation based on graph neural networks in logistics systems. System Analysis & Information Technologies, 18 (1), 45–56.

Maulud, D. & Abdulazeez, A. M. (2020). A review on linear regression comprehensive in machine learning. Journal of Applied Science and Technology Trends, 1 (4), 140–147.

Charbuty, B. & Abdulazeez, A. (2021). Classification based on decision tree algorithm for machine learning. Journal of Applied Science and Technology Trends, 2 (1), 20–28.

Bentéjac, C., Csörgő, A. & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54 (3), 1937–1967.

##submission.downloads##

Опубліковано

2026-03-26

Як цитувати

Пасєка, П. І., & Теренчук, С. А. (2026). Концепція розвитку інтегрованого підходу до формування логістичних маршрутів. Управління розвитком складних систем, (65), 150–155. https://doi.org/10.32347/2412-9933.2026.65.150-155

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ