Інтелектуальні транспортні системи як один з головних факторів реалізації концепції Smart Logistics

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Національний транспортний університет, Київ

Інтелектуальні транспортні системи як один з головних факторів реалізації концепції Smart Logistics

Данчук В.Д., доктор фізико-математичних наук

Сватко В.В., кандидат технічних наук

Марченко В.В., Попченко Є.С.

РЕФЕРАТ

В роботі показано, що в даний час ІТС є найбільш розвинутою концепцією реалізації Smart Logistic, і за своєю сутністю наближається до сутності концепції кіберфізичних систем (CPS), як інтелектуальних автоматичних або максимально автоматизованих систем управління фізичними об'єктами і процесами різної природи.

Шляхом тестових досліджень за допомогою різних методів штучного інтелекту визначено, що найбільш ефективним методом оптимізації маршруту вантажних перевезень є модифікований мурашиний алгоритм, який дозволяє здійснювати динамічну маршрутизацію логістичних потоків в реальному режимі часу з урахуванням нестаціонарної динаміки транспортних потоків. Його використання дозволяє скоротити час пошуку оптимального рішення в середньому на 15% та отримувати у більшості випадків кращі результати оптимізації шляху.

Одним із перспективних напрямків подальших досліджень автори вважають створення в рамках концепції ІТС, як CPS для Smart Logistic, інтелектуальної системи підтримки рішень транспортно-логістичного управління вантажними перевезеннями в режимі реального часу з урахуванням впливу зовнішніх чинників різної природи на процес перевезень.

КЛЮЧОВІ СЛОВА: ІНТЕЛЕКТУАЛЬНА ТРАНСПОРТНА СИСТЕМА, РОЗУМНА ЛОГІСТИКА, КІБЕРФІЗИЧНА СИСТЕМА, ОПТИМІЗАІІІЯ ІНТЕЛЕКТУАЛЬНІ МЕТОДИ ОПТИМІЗАЦІЇ

INTELLIGENT TRANSPORT SYSTEMS AS ONE OF THE MAIN FACTORS IN IMPLEMENTATION OF THE SMART LOGISTICS CONCEPT

Danchuk V.D., Dr. Sc. (Phys.-Math.), National Transport University, Kyiv

Svatko V.V., Ph.D., National Transport University, Kyiv, Ukraine

Marchenko V.V., National Transport University, Kyiv, Ukraine

Popchenko Y.S., National Transport University, Kyiv, Ukraine

ABSTRACT

The paper proposes that currently ITS is the most developed concept of Smart Logistic implementation, and in its essence approaches the essence of the concept of cyber-physical systems (CPS), as intelligent automatic or maximally automated control systems for physical objects and processes of various nature.

Through test studies with the help of various methods of artificial intelligence, it was determined that the most effective method of optimizing the route of freight transport is a modified ant algorithm, which allows dynamic routing of logistics flows in real time, taking into account the non-stationary dynamics of transport flows. Its use allows to reduce the time of searching for the optimal solution by an average of 15% and to obtain better results of path optimization in most cases.

The authors consider one of the perspective areas of further research to be the creation within the framework of the ITS concept, as CPS for Smart Logistic, of an intelligent support system for transport and logistics management of cargo transportation in real time, taking into account the impact of various external factors on the transportation process.

KEYWORDS: INTELLIGENT TRANSPORT SYSTEM, SMART LOGISTICS, CYBERPHYSICAL SYSTEM, OPTIMIZATION, ARTIFICIAL INTELLIGENCE METHODS OF OPTIMIZATION.

ВСТУП

Постановка проблеми. Об'єктивне зростання та глобалізація сучасної світової економіки, збільшення інтенсивності та обігу потоків товарів, різка зміна масштабів комп'ютеризації систем управління та моніторингу різних економічних та інших процесів об'єктивно потребує інтелектуальної підтримки управління цими процесами у реальному режимі часу.

Поряд із цим, прискорена автомобілізація в умовах відставання розвитку вулично-дорожніх мереж великих міст (ВДМ) призводить до прояву низки негативних наслідків, серед яких можна виділити такі основні, як різке зменшення ефективності транспортної інфраструктури (значна нерівномірність транспортного навантаження, зменшення швидкості руху транспортних потоків (ТИ), затори, дорожньо-транспортні пригоди тощо), а також підвищення рівня забруднення довкілля. Це, зокрема, зумовлює виникнення значних затримок у транспортуванні вантажів, що призводить не лише до часових, а й до суттєвих економічних втрат.

Аналіз останніх досліджень і публікацій. Аналіз показує, що найбільш ефективне вирішення цих проблем у сучасних умовах пов'язують із реалізацією концепції Smart Logistics, а саме, з розробкою, впровадженням та застосуванням інтелектуальних транспортних систем (ІТС), де велику роль відіграє ефективне використання сучасних інтелектуальних технологій Інтернет Речей (IoT), blockchain (BC), Big Data (BD) та штучний інтелект (AI).

Однак фундаментальні та прикладні теоретичні дослідження з Smart Logistics на сьогоднішній день є значною мірою розрізненими, що проводяться науковцями різних предметних галузей, спрямованими на вирішення проблем практичного застосування в різних, в кращому випадку дотичних, галузях інноваційного розвитку суспільства. Тому ці науковці мають різне бачення шляхів підвищення ефективності функціонування та розвитку Smart Logistic, що призводить до формування відповідно різних підходів.

Крім того, використання інтелектуальних інформаційних технологій для ефективної організації, оптимізації та управлінні логістичними процесами здійснення вантажних і пасажирських перевезень в реальному режимі часу при великій і змінній завантаженості УРН є епізодичним і недосконалим. В першу чергу це пов'язано з відсутністю адекватних методів дискретної оптимізації маршрутів із динамічним оновленням, які враховують реальну (нестаціонарну) динаміку ТИ на ділянках ВДМ.

Метою дослідження є проведення порівняльного аналізу існуючих концепцій функціонування та розвитку Smart Logistics, а також в рамках концепції ІТС як кібер-фізичних систем (CPS), що застосовуються в Smart Logistics, шляхом тестових досліджень визначення найбільш ефективних методів оптимізації логістичних потоків в реальному режимі часу щодо здійснення вантажних перевезень в умовах нестаціонарної динаміки ТИ.

ВИКЛАД ОСНОВНОГО МАТЕРІАЛУ ДОСЛІДЖЕННЯ

Фундаментальні та прикладні теоретичні дослідження функціонування та розвитку Smart Logistics в рамках існуючих на сьогоднішній день концепцій технологій ІТС, IoT, PI (Фізичний Інтернет), CPS є значною мірою розрізненими, що часто призводить до різного тлумачення сутностей процесів в Smart Logistics і, відповідно, до різного бачення шляхів підвищення її ефективності (див. наприклад, [1 - 4]). Крім того, слід зазначити, що, по мірі розвитку відповідних інноваційних технологій, зокрема, IoT, АІ, BD, BC відбувається еволюція сутності тієї або іншої концепції розвитку Smart Logistic, наближаючи їх трактування одне до одного [1 - 4].

Історично першою концепцією, що є основною і в теперішній час для ефективній реалізації Smart Logistic, є концепція, яка пов'язана з ІТС. На етапі її формування, починаючи з 1986р., ІТС розглядались групою вчених "Mobility 2000" на чолі з Joseph M. Sussman як системи підтримки прийняття рішень (СІ IIІР). що поєднують інформаційні та телекомунікаційні технології (ІКТ) з організації руху ТИ, підвищення пропускної спроможності транспортної інфраструктури, безпеки руху, психологічного комфорту пасажирів, екологічної стійкості [5]. При цьому інтелектуальним агентом виступає, як правило, людина.

По мірі розвитку інноваційних технологій IoT, BD, BC, АІ, РІ відбувається еволюція сутності трактування та призначення ІТС, що в теперішній час наближає ІТС до сутності концепції CPS як інтелектуальних автоматичних (без участі людини) систем управління фізичними об'єктами і процесами різної природи.

CPS - це нова інтелектуальна комплексна система, яка інтегрує на глибокому рівні фізичні та кібернетичні компоненти. Тут неперервний моніторинг у реальному часі, моделювання (в тому числі імітаційне) та прогнозування, аналіз та управління фізичними об'єктами та процесами реалізуються за рахунок поєднання телекомунікаційних та інформаційних керуючих технологій, а також технологій глибоких (інтелектуальних) обчислень, зберігання, обробки, обміну та захисту даних. Концепція CPS була запропонована в 2006 році, і в даний час її реалізація охоплює різні сфери людської діяльності: виробництво, будівництво, енергетику, медицину тощо, де забезпечуються нові функціональні можливості для покращення якості життя, досягнення технічного прогресу і тому істотно впливають на світову економіку. Однією з основних галузей її застосування є транспортна галузь і логістика.

Отже, у зв'язку із зазначеним вище, n'S в сучасних умовах, на наш погляд, необхідно розглядати як реалізацію концепції CPS в області транспортних систем, в тому числі Smart Logistics (див. рис.1).

При цьому ІТС уявляє собою надзвичайно складну CPS в контексті інформаційної підтримки прийняття рішень при здійсненні управління, що обумовлене необхідністю збору, обробки, передачі великих масивів різнорідних даних у просторово розподілених гетерогенних системах, використання просторово-часової інформації у різно-масштабованому інформаційному просторі. Відповідно, технології FTS, як CPS, поєднують такі взаємопов'язані і взаємопроникні технології, як комп'ютерні системи, вбудовані системи (розумні сенсори, об'єкти інфраструктури РІ (п-контейнери, п-мовери, п- вузли тощо), бездротові сенсорні мережі, системи мережевого керування, ІоТ, AI, BD, BC, інтелектуальні системи керування транспортними об'єктами та процесами (див. рис.1).

Як видно з рис. 2, фізичний рівень відноситься до сенсорних (в тому числі інтелектуальних) пристроїв, виконавчих (в тому числі інтелектуальних) пристроїв та бездротового або дротового мережевого блоку ITS, які тісно пов'язані з фізичним середовищем (транспортними засобами, учасниками транспортних процесів, вантажами (в тому числі організованими як об'єкти інфраструктури РІ), елементами інфраструктури транспортних систем тощо). В даний час мережевий рівень зазвичай є хмарною мережею для з'єднання та взаємодії вузлів!TS. Мережевий рівень реалізує взаємозв'язок та сумісність пристроїв для забезпечення передачі даних та спільного використання ресурсів. Характеристики хмарної платформи дозволяють ефективно інтегрувати дані у процес передачі. Відповідно, інтелектуальна система прийняття рішень в контексті Smart Logistic у випадку!TS як CPS в основному складається з рівня обладнання, хмарної платформи та прикладного рівня для проведення інтелектуальних глибоких обчислень, і призначена для визначення оптимального логістичного шляху в процесі транспортних або пасажирських перевезень з урахуванням в реальному часі впливу фізичного середовища (зміна динаміки ТП, контролінг забезпечення умов перевезення товарів, метеорологічні умови, екологічні навантаження тощо).

Рисунок 1 - Технології ІТС як кібер-фізичних систем в Smart Logistics

Figure 1 - ITC technologies as cyber-physical systems in Smart Logistics

інтелектуальний транспортний логістичний

Архітектура ІТС в рамках концепції CPS в загальному вигляді містить в собі фізичний рівень, мережевий рівень та прикладний рівень (рис. 2).

Рисунок 2 - Архітектура ІТС як кібер-фізичних систем в Smart Logistics

Figure 2 - ITC architecture as cyber-physical systems in Smart Logistics

Як зазначалось вище, в процесі еволюції розвиток технологій, які забезпечують в даний час функціонування CPS, призводить до їх взаємопроникнення та інтеграції, наближаючи концепції їх створення по суті до концепції CPS. Наприклад, інформаційні мережі на основі інформаційно- комунікаційних технологій та ІоТ надають великі дані про міські вантажні транспортні системи, що потребують використання технологій ВD для їх збору, обробки та передачі [3]. Відповідно, захист отриманої інформації додатково потребує використання технологій ВС. PI у поєднанні з АІ, що інтегровані на основі вбудованих систем, забезпечують прийняття рішень у режимі реального часу для адаптації до міських умов з онлайн-комунікацією та підключеними елементами системи PI, такими як PI-контейнери (посилки, піддони), PI-вантажівки (PI-вантажівки, CAV), БПЛА) та PI-хаби (магазини, склади) [3].

Особливу увагу привертає до себе аналіз гносеологічних зв'язків та відмінностей у розумінні сутності технологій CPS та ІоТ. Концепція ІоТ формувалась у 90-х роках минулого століття і на початковому етапі розглядалась як телекомунікаційна парадигма глобальної мережі Інтернет, що складається із взаємозв'язаних фізичних пристроїв з радіочастотною ідентифікацією (RFID мітки), які мають вбудовані сенсори, а також програмне забезпечення, що дозволяє здійснювати ідентифікацію та моніторинг функціонування об'єктів, передачу і обмін даними між фізичним світом і комп'ютерними системами за допомогою використання стандартних протоколів зв'язку. По мірі розвитку ІоТ і появою та розвитком РІ, що, зокрема, було пов'язано з інтелектуалізацією фізичних об'єктів (інтелектуальні сенсори та виконавчі елементи, інтелектуальні РІ-вантажі, тощо), технології ІоТ вдосконалювались, забезпечуючи потужну технічну підтримку досліджень CPS. В останні роки, завдяки глибоким дослідженням та розумінню ІоТ та CPS процесів, їх розвиток показує тенденцію до взаємної інтеграції.

Отже, можна зазначити, що на ранній стадії розвитку ІоТ і CPS є два різні паралельні шляхи розвитку. Відповідно зараз CPS - це еволюція ІоТ, ІоТ - це початковий етап застосування CPS [2]. При цьому, на сучасному етапі розвитку ІоТ наголошує на «зв'язок об'єктів, інтелектуальне сприйняття», приділяючи особливу увагу зв'язності мережі та отримання інформації про фізичні об'єкти при проведенні інтелектуальної ідентифікації, позиціонування, відстеження і управління. Тоді як у CPS акцент робиться на управління в реальному режимі часу зі зворотним зв'язком транспортними процесами та об'єктами [2]. В ІоТ інформація основних фізичних об'єктів, як і раніше, вимагає втручання людини, а вимоги до автономної взаємодії невисокі. У той час в CPS при управлінні зі зворотним зв'язком значно знижується участь людини, що потребує наявності сильної автономної взаємодії [2].

Такий стан сучасного розвитку концепцій ІоТ та CPS часто призводить до неоднозначності у трактуванні вибраного підходу щодо проведення досліджень, зокрема, з проблем Smart Logistics та отриманих результатів відповідних досліджень. Так, наприклад, в [2] на основі задекларованій автором CPS моделі прийняття рішення про логістичний шлях були проведені дослідження щодо вибору найбільш ефективного методу оптимізації шляху доставки вантажів в рамках транспортної задачі комівояжера (TSP). Тут порівнювались результати дискретної оптимізації логістичного маршруту, виконаної за допомогою таких інтелектуальних методів як метод імітації підпалу (SA), генетичного алгоритму (GA) та класичного алгоритму мурашиної колонії (ACA) для масиву з 31 точки за критеріями найкоротшої відстані транспортування та швидкості (часу) збіжності рішення. Було визначено, що з трьох розглянутих алгоритмів ACA має найкращий ефект оптимізації. На підставі отриманих результатів автор пропонує інтелектуальну систему прийняття рішень про логістичні маршрути для CPS, яка використовує алгоритм мурашиної колонії для розрахунку найкоротшого шляху логістики та транспортування за критерієм відстані. Під час транспортування Центр керування визначає місцезнаходження вантажівки за допомогою GPS і відправляє замовлення до пункту призначення [2]. В рамках такої інтерпретації в [2], на нашу думку, реалізована у більшій мірі ІоТ модель інтелектуального прийняття рішення про логістичний шлях, оскільки тут відсутня можливість управління логістичним шляхом в он лайн режимі під час транспортування вантажу, наприклад, при зміні характеристик динаміки ТП (збільшення навантаження на ділянках УРН, затори, дорожні інциденти, тощо), що повинно бути необхідним атрибутом для процесу управління в рамках CPS концепції.

Як показує аналіз, представлені в [2] АІ алгоритми не можуть вирішувати задачу моделювання оптимального маршруту з динамічним оновленням під впливом зміни характеристик зовнішнього середовища. В [6] було запропоновано модифікований АСА (ACAmod), в якому, на відміну від класичного АСА [7], мурашині агенти по графу можуть рухатись асинхронно з певними (навіть різними) швидкостями, а також існує можливість фіксувати результати оптимізації частково пройденого шляху для оптимізації подальшого маршруту при зміні довжини ребер графу під час руху. Це дозволяє, зокрема, проводити імітаційні моделювання оптимізації маршруту в реальному режимі часу з урахуванням реальної динаміки ТП на ділянках транспортної мережі, де мурашині агенти, як аналоги автомобілів, рухаються із відповідними швидкостями, що відповідають середнім швидкостям ТП на цих ділянках. Отже, такий підхід дозволяє у більшій мірі реалізувати CPS концепцію для формування моделі прийняття рішення про оптимальний логістичний шлях в Smart Logistic за критерієм часу проходження маршруту.

Для перевірки надійності та достовірності результатів оптимізації за допомогою розробленого ACAmod проведено тестові дослідження вирішення задачі комівояжера з використанням найбільш відомих класичних алгоритмів (метод гілок та меж (BAB), метод повного перебору (BF)) та модифікованого мурашиного алгоритму ACAmod. Результати проведених досліджень наведені в табл. 1.

Таблиця 1 - Порівняльний аналіз класичних методів оптимізації та ACAmod для розв'язку транспортної задачі комівояжера

Table 1 - Comparative analysis of classical optimization methods and ACAmod for solving the transport problem of a traveling salesman

-* - означає відсутність даних про отриманий розв'язок, або неможливість знаходження розв'язку для даної кількості вершин.

Як видно з табл. 1, при невеликій кількості вершин графу (не більше 13), оптимальний розв'язок можна отримати за допомогою методу повного перебору та запропонованого ACAmod. Зі збільшенням розмірності задачі (13 - 15 вершин) єдиний розв'язок дає запропонований нами метод. Використання інших методів розрахунку, що розглядається в цій задачі, для графа з розмірністю більше 13 вершин суттєво погіршують отримання оптимальних розв'язків аж до унеможливлення їх знаходження. Таким чином можна зробити висновок, що суттєвим недоліком існуючих класичних методів є їх не застосовність до задач з великою розмірністю. На відміну від існуючих класичних методів, запропонований модифікований метод мурашиного алгоритму ACAmod дає прийнятні (в межах 5-7% відхилення від найкращого маршруту) результати за досить невеликий час обчислень.

Для визначення найбільш ефективного методу оптимізації логістичного шляху в реальному режимі часу щодо здійснення вантажних перевезень в умовах нестаціонарної динаміки ТП в роботі проведені тестові дослідження дискретної оптимізації маршруту в рамках задачі TSP за допомогою АІ методів: GA, еволюційного SA (ESA), ACA та ACA mod. Ці алгоритми застосовувались для набору відомих тестових задач для TSP: Oliver30, Eilon50, Eil51, Berlin52, St70, Eilon75, Eil76, KroA100, Eil 101, Pr107, Pr124, Pr136, Pr144 та Pr152 [8]. Числа в назві кожної із цих задач вказують на кількість точок, для яких необхідно побудувати оптимальний маршрут обходу. Отже, при тестуванні найменша кількість точок складала 30, найбільша - 152. Критеріями вибору найбільш ефективного методу оптимізації при проведенні порівняльного аналізу результатів досліджень були відхилення оптимальної відстані, отриманої за допомогою відповідного метода, від найкраще відомого результату для кожної з тестових задач, а також час збіжності розв'язку.

Дані про отримані результати роботи GA та ESA взято з відкритих джерел. В роботі вказані тестові TSP розраховувались за допомогою класичного АСА [7] та розробленого авторами модифікований ACO mod [6] із спеціально підібраними, найбільш оптимальними значеннями параметрів цих алгоритмів, які приймали однакові значення: а = 1; Р= 5; р= 0,67. Результати тестових досліджень дискретної оптимізації маршруту в рамках задачі TSP за допомогою зазначених АІ методів за критерієм часу та відхилення за відстанню наведені на рис.3 та в табл. 2 відповідно.

Рисунок 3 - Результати тестових досліджень транспортної задачі комівояжера АІ методами оптимізації (за критерієм часу збіжності розв'язку)

Figure 3 - Results of test studies of the transport problem of the traveling salesman AI using optimization methods (according to the intersection convergence time criterion)

Як видно з рис.3 та табл. 2, найбільш ефективним методом оптимізації логістичних потоків в Smart Logistics серед представлених в цій роботі АІ методів є ACАmod. Його використання дозволяє скоротити час пошуку оптимального рішення в середньому на 15% та отримувати у більшості випадків кращі результати оптимізації шляху.

Таким чином, результати тестових досліджень показали, що рамках концепції CPS найбільш прийнятним методом оптимізації логістичних потоків при здійсненні вантажних перевезень з урахуванням нестаціонарної динаміки ТП є модифікований алгоритм мурашиної колонії ACАmod.

ВИСНОВКИ

За результатами порівняльний аналіз концепцій функціонування та розвитку Smart Logistic визначено, що відповідні фундаментальні та прикладні теоретичні дослідження в рамках існуючих на сьогоднішній день концепцій технологій ІТС, IoT, PI, CPS є значною мірою розрізненими, що часто призводить до різного тлумачення сутностей процесів в Smart Logistics і, відповідно, до різного бачення шляхів підвищення її ефективності.

Показано, що в даний час ІТС є найбільш розвинутою концепцією реалізації Smart Logistic, і за своєю сутністю наближається до сутності концепції CPS як інтелектуальних автоматичних (без участі людини) систем управління фізичними об'єктами і процесами різної природи.

В рамках концепції CPS шляхом тестових досліджень за допомогою різних АІ методів (GA, ESA, АСА та ACАmod) визначено, що найбільш ефективним методом оптимізації маршруту вантажних перевезень є ACAmod, який дозволяє здійснювати динамічну маршрутизацію логістичних потоків в реальному режимі часу з урахуванням нестаціонарної динаміки ТИ.

Таблиця 2 - Результати тестових досліджень транспортної задачі комівояжера АІ методами оптимізації (за критерієм відхилення оптимальної відстані від найкращого відомого результату)

Table 2 - Results of test studies of the transport problem of the traveling salesman AI using optimization methods (according to the criterion of deviation of the optimal distance from the best known result)

Одним із перспективних напрямків подальших досліджень автори вважають створення в рамках концепції ІТС, як CPS для Smart Logistic, інтелектуальної системи підтримки рішень транспортно-логістичного управління вантажними перевезеннями в реальному режимі часу з урахуванням впливу зовнішніх чинників різної природи на процес перевезень.

ПЕРЕЛІК ПОСИЛАНЬ

1. Taniguchia, E., Thompson, R. G., Qureshic, A. G. (2020). Modelling city logistics using recent innovative technologies. Transportation Research Procedia, 46, 3-12. https://doi.org/10.1016/j.trpro.2020.03.157

2. Zhang, N. (2018). Smart Logistics Path for Cyber-Physical Systems With Internet of Things. IEEE ACCESS, 6, 70808 - 70819. https://doi.org/10.1109/ACCESS.2018.2879966

3. Nikitas, A., Michalakopoulou, K., Tchouamou, N.E., Karampatzakis, D. (2020). Artificial Intelligence, Transport and the Smart City: Definitions and Dimensions of a New Mobility Era”. Sustainability, 12(2789), 1 - 19. https://doi.org/10.3390/su12072789

4. Hofmann, E., Rusch, M. (2017). Industry 4.0 and the current status as well as future prospects on logistics. Computers in Industry, 89, 23-34. https://doi.org/10.1016/j.compind.2017.04.002

5. Sussman, J.M. (2005). Perspectives on Intelligent Transportation Systems (ITS). Springer Science+Business Media, 232p.

6. Danchuk, V., Bakulich, O., Svatko, V. (2019). Building Optimal Routes for Cargo Delivery in Megacities. Transport and Telecommunications, 20(2), 142-152. https://doi.org/10.2478/ttj-2019-0013.

7. Dorigo, M., Di Caro, G. (1999). The ant colony optimization meta-heuristic. New Idea in Optimization. McGrow-Hill, 1, 11-32.

8. Osaba, E., Yang, X.-S., Diaza, F., Lopez-Garcia, P., Carballedo, R. (2016). An improved discrete bat algorithm for symmetric and asymmetric Traveling Salesman Problems. Engineering Applications of Artificial Intelligence, 48(C), 59-71. https://doi.org/10.1016/j.engappai.2015.10.006

REFERENCES

1. Taniguchia, E., Thompson, R. G., Qureshic, A. G. (2020). Modelling city logistics using recent innovative technologies. Transportation Research Procedia, 46, 3-12. https://doi.org/10.1016/j.trpro.2020.03.157

2. Zhang, N. (2018). Smart Logistics Path for Cyber-Physical Systems With Internet of Things. IEEE ACCESS, 6, 70808 - 70819. https://doi.org/10.1109/ACCESS.2018.2879966

3. Nikitas, A., Michalakopoulou, K., Tchouamou, N.E., Karampatzakis, D. (2020). Artificial Intelligence, Transport and the Smart City: Definitions and Dimensions of a New Mobility Era”. Sustainability, 12(2789), 1 - 19. https://doi.org/10.3390/su12072789

4. Hofmann, E., Rusch, M. (2017). Industry 4.0 and the current status as well as future prospects on logistics. Computers in Industry, 89, 23-34. https://doi.org/10.1016/j.compind.2017.04.002

5. Sussman, J.M. (2005). Perspectives on Intelligent Transportation Systems (ITS). Springer Science+Business Media, 232p.

6. Danchuk, V., Bakulich, O., Svatko, V. (2019). Building Optimal Routes for Cargo Delivery in Megacities. Transport and Telecommunications, 20(2), 142-152. https://doi.org/10.2478/ttj-2019-0013.

7. Dorigo, M., Di Caro, G. (1999). The ant colony optimization meta-heuristic. New Idea in Optimization. McGrow-Hill, 1, 11-32.

8. Osaba, E., Yang, X.-S., Diaza, F., Lopez-Garcia, P., Carballedo, R. (2016). An improved discrete bat algorithm for symmetric and asymmetric Traveling Salesman Problems. Engineering Applications of Artificial Intelligence, 48(C), 59-71. https://doi.org/10.1016/j.engappai.2015.10.006

Размещено на Allbest.ru