Planlama araçları geliştirip gerçek operasyonlarda test ediyorum.

Aşı ve kan ürünleri 40 ildeki yerel depolarda toplanıyor ve diğer illere hızla ulaşmalı. 12 aday il arasından dört merkez açılacak.

Bir p-merkez MIP modeli, en uzun depo–merkez yolculuğunu en aza indiren merkezleri seçiyor. Küçük bir mesafe-kare terimi eşitlikleri derli toplu kümeler lehine bozuyor; bu da rotalamayı kolaylaştırıyor.

Her merkezin rotaları MIP yeterince hızlıysa kesin olarak, değilse Clarke-Wright tasarruf yöntemi ve 2-opt ile, 12 saatlik vardiya sınırı altında çözülüyor. Sonra konum ve rotalama 8 saatlik sınırla birlikte çözülüyor.

Sıralı tasarım 7 araçla çalışıyor (merkezler Adana, Ankara, Kocaeli ve Muğla’da). Konum ve rotalamayı birlikte çözmek en uzun teslimatı 27,1 saatten 19,4 saate indiriyor, ancak 15 araç gerektiriyor.

Ulusal Medikal Kurtarma Ekibi UMKE’nin sahra sağlık tesislerini, etkilenen 20 ilçenin tamamı bir hizmet yarıçapı içinde kalacak şekilde yerleştirmesi gerekiyor.

Aynı karara üç bakış: küme örtme (herkese ulaşan en az tesis), maksimum kapsama (en fazla 4 tesisle ulaşılan en çok kişi) ve kapsama sınırlı p-medyan (en kısa toplam mesafe).

Tesis sayısı ile insanların gideceği mesafe arasındaki ödünleşimi görmek için her model 2–6 km hizmet yarıçapları için çözülüyor.

Tam kapsama 2 km’de 5 tesis, 3 km’de ise yalnızca 3 tesis gerektiriyor. 4 tesisle kapsama 2 km’de %92,9, 3 km’den itibaren %100; 3–6 km arasında aynı dört ilçe en iyi çözüm olarak kalıyor.

Gecikmeli teslimatların önemli bir nedeni kuryelerin yanlış yerde beklemesi. 500 kurye Manhattan’ın 32 mahallesine nasıl dağıtılmalı ve her mahalle ne kadar uzağa hizmet vermeli?

İkili bir LP modeli her mahalle için beş kapsama yarıçapından birini seçiyor; etkin talep kapsamanın karesiyle artıyor. Asgari plandan artan kuryeler saatlik talebe orantılı dağıtılıyor.

VBA modülleri mahalle merkezlerini shoelace formülüyle, restoranlara uzaklıkları Manhattan mesafesiyle hesaplıyor ve önbelleğe alıyor; böylece model her çalıştırmada girdilerini yeniden kurmuyor.

Önbellekleme model kurulumunu dakikalardan saniyelere indirdi. Bir Excel formu kurye sayısını alıp dağıtımı etkileşimli bir Leaflet haritasında gösteriyor.

FetchReach-v4 ortamında simüle bir kol, eli hedefe ulaşana kadar her adımda −1 ödül alıyor. Rastgele denemelerin neredeyse hepsi başarısız olduğu için öğrenecek çok az sinyal var.

Hindsight Experience Replay ile Soft Actor-Critic: başarısız bir denemeyi kolun gerçekte ulaştığı hedefle yeniden etiketliyor, böylece her deneme bir şey öğretiyor.

Eleştirmen ağları, tekrar arabelleği ve eğitim döngüsü dersle birlikte hazır geldi. Ben aktörü yazdım: yeniden parametrelendirme ve tanh log-olasılık düzeltmesi içeren bir Gauss politikası. Ardından 10.000 bölüm eğittim ve tek değişkenli üç ablasyon deneyi yaptım.

Eğitilen ajan 100 değerlendirme denemesinin hepsinde hedefe ulaştı (ortalama ödül −2,39). On kat düşük öğrenme oranı öğrenmeyi tamamen durdurdu; daha yüksek entropi ağırlığı ise kolun hedef yakınında rastgele hareket etmesine yol açtı.