https://ir.lib.vntu.edu.ua//handle/123456789/13019 2026-05-29T23:31:13Z https://ir.lib.vntu.edu.ua//handle/123456789/51654 Порівняльний аналіз систем децентралізованої доставки останної милі Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Дубовой, В. М.; Leshchenko, Yu.; Moroz, І.; Yukhymchuk, M.; Dubovoi, V. Децентралізована доставка "остання миля" є сучасним підходом у сфері логістики, що оптимізує процес доставки за допомогою локальних хабів, або мікрохабів, розташованих неподалік кінцевих отримувачів. Це дозволяє скоротити відстань між хабами та місцем доставки, завдяки чому знижується час транспортування й операційні витрати. Водночас клієнти отримують свої замовлення швидше, що підвищує їхню задоволеність сервісом. Такий підхід є надзвичайно актуальним на тлі зростання популярності електронної комерції, де швидкість і точність доставки мають вирішальне значення для збереження лояльності споживачів. Однак успішне функціонування децентралізованої моделі доставки вимагає складної системи управління логістикою. На допомогу приходять технології штучного інтелекту, які дозволяють вирішувати низку завдань, таких як оптимізація маршрутів, управління запасами та прогнозування попиту. Наприклад, алгоритми машинного навчання здатні в реальному часі адаптувати маршрути кур'єрів відповідно до змін у трафіку, погодних умов і дорожньої обстановки, що зменшує витрати на паливо та скорочує кількість транспортних засобів у дорозі. Це особливо важливо для великих міських районів з інтенсивним рухом, де навіть невеликі затримки можуть значно вплинути на загальний час доставки. ШІ також грає важливу роль в управлінні запасами, дозволяючи більш точно планувати поповнення товарів в окремих локальних хабах, уникати надмірного накопичення продукції або її нестачі. Завдяки аналізу історичних даних про продажі та поведінкових моделей споживачів, системи ШІ можуть прогнозувати попит на різні категорії товарів в окремих районах. Це допомагає мінімізувати витрати на зберігання товарів і забезпечувати наявність продукції у потрібному місці та в потрібний час, що, у свою чергу, підвищує ефективність доставки. Таким чином, децентралізована модель доставки "остання миля" із залученням штучного інтелекту дозволяє логістичним компаніям значно покращити якість обслуговування, підвищити ефективність усіх логістичних процесів і зменшити негативний вплив на навколишнє середовище.; Decentralized last-mile delivery is a modern logistics approach that optimizes the delivery process by using local hubs or microhubs located near the final recipients. This reduces the distance between the hubs and the delivery location, which reduces transportation time and operating costs. At the same time, customers receive their orders faster, which increases their satisfaction with the service. This approach is extremely relevant amid the growing popularity of e-commerce, speed and accuracy of delivery are crucial to maintaining customer loyalty. However, the successful operation of a decentralized delivery model requires a sophisticated logistics management system. Artificial intelligence technologies come to the rescue to solve a number of tasks, such as route optimization, inventory management, and demand forecasting. For example, machine learning algorithms are able to adapt courier routes in real time to changes in traffic, weather conditions, and road conditions, which reduces fuel costs and reduces the number of vehicles on the road. This is especially important in large urban areas with heavy traffic, even small delays can significantly affect the overall delivery time. AI also plays an important role in inventory management, allowing for more accurate planning of replenishment of goods in individual local hubs, avoiding excessive accumulation of products or their shortage. By analyzing historical sales data and consumer behavioral patterns, AI systems can predict the demand for different categories of goods in certain areas. This helps minimize storage costs and ensure that products are available in the right place and at the right time, which in turn increases delivery efficiency. Thus, a decentralized last-mile delivery model involving artificial intelligence allows logistics companies to significantly improve the quality of service, increase the efficiency of all logistics processes, and reduce the negative impact on the environment. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51653 Оптимізація децентралізованої доставки останньої милі за допомогою штучного інтелекту Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Лесько, В. О.; Leshchenko, Yu.; Moroz, І.; Yukhymchuk, M.; Lesko, V. В сучасних умовах розвитку електронної комерції та постійного зростання попиту на швидкі та ефективні послуги доставки, оптимізація останньої милі стає критично важливою для підвищення конкурентоспроможності логістичних компаній. Одним із ефективних рішень є впровадження децентралізованої моделі доставки, яка використовує локальні центри або мікрохаби для оптимізації маршрутів. Це рішення дає змогу скоротити час доставки до кінцевого споживача, знижуючи навантаження на центральні склади, а також підвищує гнучкість і надійність логістичної системи. Штучний інтелект (ШІ) відіграє ключову роль у підвищенні ефективності децентралізованої доставки. Завдяки аналізу великих обсягів даних в реальному часі, ШІ допомагає оптимізувати маршрути доставки, знижуючи витрати на паливо та скорочуючи кількість транспорту, що одночасно позитивно впливає на навколишнє середовище. Алгоритми машинного навчання дозволяють автоматично адаптувати маршрути відповідно до змін дорожньої ситуації, погодних умов і рівня трафіку, що особливо важливо у великих містах із насиченим рухом. Крім того, ШІ забезпечує ефективне управління запасами в локальних центрах, що дозволяє краще планувати поповнення товарів і зменшувати витрати, пов'язані зі зберіганням. Управління останньою милею за допомогою ШІ також сприяє підвищенню якості обслуговування клієнтів. Система може враховувати індивідуальні переваги споживачів, наприклад, визначати оптимальний час доставки для зручності клієнта, а також надавати точну інформацію про час прибуття кур'єра. Це не тільки підвищує рівень задоволеності клієнтів, а й зменшує ймовірність повторних доставок у разі відсутності отримувача на місці. Таким чином, децентралізована модель доставки, оптимізована за допомогою ШІ, не тільки знижує операційні витрати та покращує ефективність логістичних процесів, але й сприяє більш екологічно чистому та орієнтованому на клієнта обслуговуванню.; In today"s e-commerce environment and the ever-growing demand for fast and efficient delivery services, optimizing the last mile is becoming critical to improving the competitiveness of logistics companies. One of the most effective solutions is to implement a decentralized delivery model that uses local centers or micro hubs to optimize routes. This solution reduces the time of delivery to the end consumer, reducing the load on central warehouses, and increases the flexibility and reliability of the logistics system. Artificial intelligence (AI) plays a key role in improving the efficiency of decentralized delivery. By analyzing large amounts of data in real time, AI helps to optimize delivery routes, reducing fuel costs and reducing the number of vehicles, which at the same time has a positive impact on the environment. Machine learning algorithms allow routes to be automatically adapted to changes in traffic, weather conditions, and traffic levels, which is especially important in large cities with heavy traffic. In addition, AI ensures efficient inventory management in local centers, which allows for better planning of replenishment of goods and reduces storage costs. Lastmile management with AI also contributes to the improvement of customer service. The system can take into account individual consumer preferences, for example, determine the optimal delivery time for customer convenience, and provide accurate information about the time of arrival of the courier. This not only increases customer satisfaction, but also reduces the likelihood of repeated deliveries in case the recipient is not at the location. Thus, the decentralized delivery model optimized by AI not only reduces operational costs and improves the efficiency of logistics processes, but also contributes to a more environmentally friendly and customer-oriented service. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/46735 Перенесення параметрів генетичних алгоритмів для задачі руху наземних роботів на бпла для оптимізації руху Кулик, Я. А.; Барановська, А. Ю. This article explores the possibilities of using genetic algorithms to optimize the trajectory of unmanned aerial vehicles (UAVs) in order to improve the accuracy and efficiency of air quality assessment under various conditions. One of the main objectives is to ensure adaptive autonomous navigation of UAVs in dynamic environments, parameters related to air pollution can change in real-time under the influence of external factors, such as weather conditions, geographical features, or levels of anthropogenic impact. Changes in environmental conditions, such as weather conditions and the presence of obstacles, increase the requirements for efficient algorithms for safe and efficient UAV movement. The use of genetic algorithms is a promising approach because they are able to effectively solve complex optimization problems in dynamic environments traditional methods may be less effective. Genetic algorithms, due to their ability to search for optimal solutions in complex data spaces, can be effectively used to determine the optimal routes for collecting information about air pollution. They allow UAVs to adapt their trajectories to the current environmental conditions, taking into account factors such as wind direction and speed, pollution levels in different areas, and the presence of natural or artificial obstacles in urban or rural environments. Thanks to this approach, the algorithms provide coordinated work within a group of UAVs, which allows for the division of monitoring zones, the collection of more accurate data, and faster responses to changes in the environment. The article also discusses how genetic algorithms can improve the process of data collection and processing for further air quality analysis. The optimization of trajectories reduces the energy consumption of UAVs, increases the volume and quality of collected data, which in turn enhances the accuracy of assessments of harmful substance concentrations in the air. This makes genetic algorithms a promising and effective tool for increasing the autonomy and overall efficiency of unmanned systems in the context of air quality monitoring in various environments, such as large cities, industrial zones, agricultural areas, or nature reserves.; Досліджено можливості використання генетичних алгоритмів для оптимізації траєкторії руху безпілотних літальних апаратів (БПЛА) з метою підвищення точності та ефективності оцінки якості повітря в різних умовах. Одним із головних завдань є забезпечення адаптивної автономної навігації БПЛА в динамічних середовищах, де параметри, пов`язані з забрудненням повітря, можуть змінюватися в реальному часі під впливом зовнішніх чинників, таких як погодні умови, географічні особливості або рівень антропогенного навантаження. Зміни в умовах навколишнього середовища, такі як погодні умови та наявність перешкод, підвищують вимоги до ефективних алгоритмів для безпечного та ефективного руху БПЛА. Використання генетичних алгоритмів є перспективним підходом, оскільки вони здатні ефективно вирішувати складні оптимізаційні задачі в динамічних середовищах, де традиційні методи можуть бути менш ефективними. Генетичні алгоритми, завдяки своїй здатності шукати оптимальні рішення в складних просторах даних, можуть ефективно використовуватись для визначення оптимальних маршрутів збору інформації про забруднення повітря. Вони дозволяють БПЛА адаптувати свої траєкторії під поточні умови навколишнього середовища, враховуючи такі фактори, як напрямок і швидкість вітру, рівень забруднення у різних ділянках, наявність природних чи штучних перешкод у міській або сільській місцевості. Завдяки цьому підходу, алгоритми забезпечують злагоджену роботу в групі БПЛА, що дозволяє розподілити зони моніторингу, зібрати точніші дані і швидше реагувати на зміни в середовищі. Розглядається, як генетичні алгоритми можуть покращити процес збору й обробки даних для подальшого аналізу якості повітря. Оптимізація траєкторій дозволяє зменшити витрати енергії БПЛА, збільшити обсяг і якість зібраних даних, що своєю чергою підвищує точність оцінок концентрацій шкідливих речовин у повітрі. Це робить генетичні алгоритми перспективним і ефективним інструментом для підвищення рівня автономності та загальної ефективності безпілотних систем у контексті моніторингу стану повітря в різних середовищах, таких як великі міста, промислові зони, сільськогосподарські території або природні заповідники. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/46720 Метод синхронізації даних термінологічних баз знань Яровий, А. А.; Кудрявцев, Д. С.; Yarovyi, A. A.; Kudriavtsev, D. S. Method for data synchronization in terminological knowledge bases is proposed, based on the use of a neural network and classification by subject area topics. Text data synchronization is one of the key tasks for efficient data processing, which involves systematizing knowledge based on its semantic component and addresses the problem of understanding context based on already known data. To solve this problem, a comprehensive approach is used, which includes a set of solutions and synchronization algorithms at all levels of data processing, including semantic analysis, software and hardware-level algorithms, and the use of optimized data models for specific tasks. During the research, an algorithm for optimal data distribution in terminological knowledge bases was developed based on the semantic value of terms. The main criteria for the distribution of textual data in terminological knowledge bases were identified. The task of updating data in terminological knowledge bases during their population was examined. The problem of conflicting term synchronization based on semantic affiliation to related subject areas was formulated and described. Algorithms for term comparison based on semantic analysis, cosine similarity, the Jaccard method, and the term frequency-inverse document frequency (TF-IDF) method were considered. A description of the synchronization method in accordance with the created models and data structures is provided. The advantages and disadvantages of known methods for text data synchronization using data processing algorithms and methods are described, with examples given of data storage and retrieval tasks. The effectiveness of the synchronization method is demonstrated using examples. Data structures were optimized for efficient storage and retrieval of text data for text classification tasks. A prototype of terminological knowledge bases was created, and the synchronization method was applied using the example of the call center subject area.; Запропоновано метод синхронізації даних в термінологічних базах знань на основі використання нейронної мережі та класифікації за тематикою предметних областей. Синхронізація текстових даних є однією з ключових задач для ефективної обробки даних, що полягає у систематизації знань за семантичною складовою та вирішує проблему розуміння контексту на основі вже відомих даних. Для вирішення даної задачі використовують комплексний підхід, що включає в себе набір рішень та алгоритмів синхронізації на усіх рівнях обробки даних, включаючи семантичний аналіз, алгоритми програмного та апаратного рівнів, а також використання оптимізованих моделей даних для конкретних задач. В ході дослідження розроблено алгоритм пошуку оптимального розподілу даних в термінологічних базах знань на основі семантичної цінності термів. Визначено основні критерії розподілу текстових даних в термінологічних базах знань. Розглянуто задачу актуалізації даних в термінологічних базах знань при їх наповненні. Сформульовано та описано задачу конфліктної синхронізації термів на основі семантичної належності до споріднених предметних областей. Розглянуто алгоритми порівняння термів на основі семантичного аналізу, косинусної подібності, коефіцієнту Жаккара та методу частоти появи термів (TF-IDF). Подано опис методу синхронізації у відповідності до створених моделей та структур даних. Описано переваги та недоліки відомих методів синхронізації текстових даних із використанням алгоритмів та методів обробки даних на прикладі задач збереження та відтворення даних. Відзначено ефективність методу синхронізації в ході тестування та експериментальних досліджень для кол-центрів. Оптимізовано структури даних для ефективного збереження та отримання текстових даних для задачі класифікації тексту. Створено прототип термінологічних баз знань та застосовано метод синхронізації на прикладі різних предметних областей. 2024-01-01T00:00:00Z