МОДЕЛЬ ТА АЛГОРИТМ АДАПТИВНОГО ІНТЕЛЕКТУАЛЬНОГО АГЕНТА ДЛЯ ОПТИМІЗАЦІЇ МІСЬКОЇ ДОСТАВКИ У ВЕБОРІЄНТОВАНОМУ ДИНАМІЧНОМУ СЕРЕДОВИЩІ

Анотація

У статті досліджено математичну модель та алгоритм адаптивного інтелектуального агента для автоматизованого вибору маршруту міської доставки в умовах змінної дорожньої ситуації. Міську логістичну систему подано як веборієнтоване середовище, у якому дані про замовлення, поточне завантаження доріг та інциденти надходять через REST API до серверного модуля агента, реалізація якого може виконуватися мовою Python. Задачу вибору маршруту формалізовано як нестаціонарний марковський процес прийняття рішень. Функція винагороди враховує тривалість поїздки, факт запізнення, дорожній інцидент і витрати на зміну маршруту. Для навчання застосовано Q-learning, доповнений віконним детектором погіршення середньої винагороди, тимчасовим підвищенням коефіцієнтів дослідження та навчання і частковим зменшенням накопичених Q-оцінок. Проведено імітаційне дослідження, яке охоплювало 300 циклів прийняття рішень, три послідовні фази зміни дорожньої ситуації та 200 незалежних прогонів. Порівняно фіксовану політику, стандартний Q-learning та запропонований адаптивний варіант. Адаптивний агент забезпечив 80,0 % своєчасних доставок, середній час маршруту 24,55 хв та інтегральний показник адаптивності 0,707. Для стандартного Q-learning ці значення становили відповідно 76,8 %, 25,22 хв і 0,670, а для фіксованої політики – 50,5 %, 29,41 хв і 0,426. Середній час стабілізації політики після зміни середовища скоротився з 36,9 до 25,6 циклу. Результати підтвердили, що виявлення зміни середовища та кероване часткове забування попереднього досвіду підвищують стійкість агента до зміни трафіку. Запропоновані модель і алгоритм можуть слугувати основою для подальшої реалізації вебсистеми підтримки прийняття рішень у міській логістиці.