Ci%C4%85g%C5%82y algorytm sztucznego roju pszcz%C3%B3%C5%82 do rozwi%C4%85zywania problem%C3%B3w lokalizacji punkt%C3%B3w bez ogranicze%C5%84 pojemno%C5%9Bci

M%C4%85drzejsze sposoby rozmieszczania magazyn%C3%B3w

Ka%C5%BCda firma wysy%C5%82aj%C4%85ca towary staje przed podstawowym, lecz kosztownym pytaniem: gdzie umie%C5%9Bci%C4%87 magazyny lub centra obs%C5%82ugi, by obs%C5%82ugiwa%C4%87 klient%C3%B3w tanio i niezawodnie? Artyku%C5%82 zajmuje si%C4%99 tym zagadnieniem, wykorzystuj%C4%85c algorytm inspirowany sposobem, w jaki pszczo%C5%82y poszukuj%C4%85 po%C5%BCywienia, i pokazuje, jak dopracowana wersja tej metody mo%C5%BCe planowa%C4%87 lokalizacje bardziej Dok%C5%82adnie i konsekwentnie ni%C5%BC wiele konkurencyjnych technik.

Wyzwanie wyboru lokalizacji

Matematyczny problem stoj%C4%85cy za lokalizacj%C4%85 magazyn%C3%B3w nazywa si%C4%99 problemem lokalizacji obiekt%C3%B3w bez ogranicze%C5%84 pojemno%C5%9Bci. Wyobra%C5%BC sobie list%C4%99 potencjalnych miejsc, w kt%C3%B3rych mo%C5%BCesz otworzy%C4%87 magazyny, z ka%C5%BCdym miejscem obci%C4%85%C5%BConym sta%C5%82ym kosztem otwarcia, oraz map%C4%85 klient%C3%B3w, z kt%C3%B3rych ka%C5%BCdy musi by%C4%87 obs%C5%82u%C5%BCony z dok%C5%82adnie jednego otwartego punktu, przy pewnym koszcie dostawy. Celem jest zdecydowanie, kt%C3%B3re lokalizacje otworzy%C4%87 i kt%C3%B3rych klientów przypisa%C4%87 do poszczeg%C3%B3lnych punkt%C3%B3w, tak aby suma koszt%C3%B3w otwarcia i dostawy by%C5%82a jak najni%C5%BCsza. Nawet dla komputer%C3%B3w liczba mo%C5%BCliwych kombinacji ro%C5%9Bnie wyk%C5%82adniczo wraz z powi%C4%99kszaniem si%C4%99 sieci, co oznacza, i%C5%BC potrzebne s%C4%85 sprytne strategie przeszukiwania zamiast brutalnej si%C5%82y obliczeniowej.

Uczenie si%C4%99 od sposobu, w jaki pszczo%C5%82y zbieraj%C4%85 po%C5%BCywienie

Algorytm sztucznego roju pszcz%C3%B3%C5%82 (ABC) czerpie z tego, jak rzeczywiste pszczo%C5%82y eksploruj%C4%85 otoczenie. W algorytmie ka%C5%BCda „pszcz%C3%B3%C5%82a” reprezentuje jedno mo%C5%BCliwe rozwi%C4%85zanie. Pszczo%C5%82y zatrudnione (employed) eksploruj%C4%85 wok%C3%B3%C5%82 swojego obecnego rozwi%C4%85zania, obserwatorzy (onlooker) skupiaj%C4%85 si%C4%99 na obiecuj%C4%85cych, a zwiadowcy (scout) porzucaj%C4%85 s%C5%82abe wybory i przeskakuj%C4%85 do nowych region%C3%B3w. ABC zosta%C5%82 pierwotnie zaprojektowany do dopasowywania ci%C4%85g%C5%82ych warto%C5%9Bci numerycznych, jak przesuwanie pokr%C4%99t%C5%82a w g%C3%B3r%C4%99 lub w d%C3%B3%C5%82. Decyzje dotycz%C4%85ce lokalizacji magazyn%C3%B3w s%C4%85 jednak zasadniczo wyborami typu tak/nie: otworzy%C4%87 dany punkt czy nie; przypisa%C4%87 tego klienta tu czy tam. Klasyczne ABC ma zatem trudno%C5%9Bci, chyba że zostanie otoczone dodatkowymi mechanizmami zamiany g%C5%82adkich liczb na decyzje w��/wy��.

Przekszta%C5%82canie g%C5%82adkiego przeszukiwania w wyra%C5%BAnie decyzje

Autorzy proponuj%C4%85 wariant, kt%C3%B3ry nazywaj%C4%85 ci%C4%85g%C5%82ym ABC lub cABC, który zachowuje gładkie przeszukiwanie oryginalnej metody, a jednocześnie naturalnie radzi sobie z wyborami w��/wy��. Pozwala algorytmowi porusza%C4%87 si%C4%99 w przestrzeni ci%C4%85g%C5%82ej od 0 do 1, traktuj%C4%85c ka%C5%BCd%C4%85 warto%C5%9B%C4%87 jako prawdopodobie%C5%84stwo, %C5%BCe obiekt zostanie otwarty. Prosta regu%C5%82a konwertuje te wartości na ostre decyzje otwarte/zamkni%C4%99te. Aby unikn%C4%85%C4%87 startu z s%C5%82abego lub w%C4%85skiego zestawu zgadywa%C5%84, cABC u%C5%BCywa „chaotycznego” wzorca do szerokiego rozrzucenia pocz%C4%85tkowych rozwi%C4%85za%C5%84 w przestrzeni przeszukiwania. Gdy propozycja rozwi%C4%85zania oznacza, i%C5%BC nie zostanie otwarty %C5%BCaden obiekt, lub w inny sposób narusza zasady, dynamiczny proces naprawczy automatycznie koryguje kilka wyborów, tak aby sta%C5%82o si%C4%99 wykonalne bez zbytniego oddalania si%C4%99 od obiecuj%C4%85cych rejonów.

Skierowane roje i adaptacyjne poprawki

Ponad podstawow%C4%85 konfiguracj%C4%85 cABC dodaje kilka udoskonale%C5%84 pomagaj%C4%85cych wirtualnym pszczo%C5%82om skuteczniej wspópracowa%C4%87. Zamiast zawsze korygowa%C4%87 pozycj%C4%99 pszczo%C5%82y tylko na podstawie niej samej i losowego partnera, algorytm czasami pozwala innym losowo wybranym rozwi%C4%85zaniom kierowa%C4%87 zmian%C4%85, okazjonalnie korzystaj%C4%85c z bardzo dobrych i czasem gorszych, by zachowa%C4%87 zarówno skupienie, jak i różnorodno%C5%9B%C4%87. Schemat zmienny w czasie stopniowo zaburza wi%C4%99cej elementów rozwi%C4%85zania w miarę post%C4%99pu przeszukiwania, pozwalaj%C4%85c na g%C5%82eBSz%C4%85 wymian%C4%99 informacji mi%C4%99dzy pszczo%C5%82ami. Podczas etapu, w którym pszczo%C5%82y-obserwatorki wybieraj%C4%85 rozwi%C4%85zania do dopracowania, zmodyfikowana regu%C5%82a prawdopodobie%C5%84stwa zapewnia, i%C5%BC nawet przeci%C4%99tne kandydatury otrzymuj%C4%85 pewn%C4%85 uwag%C4%99, zmniejszaj%C4%85c ryzyko zbyt szybkiego zapadni%C4%99cia roju wok%C3%B3%C5%82 jednej opcji. Wreszcie, gdy pozycja pszczo%C5%82y zawodzi zbyt d%C5%82ugo, cABC jej nie odrzuca; zamiast tego tworzy „przeciwstawn%C4%85” wersj%C4%99 tego rozwi%C4%85zania, która cz%C4%99sto trafia bli%C5%BCej lepszego rejonu, jednocze%C5%9Bnie wykorzystuj%C4%85c zdobyt%C4%85 wcze%C5%9Bniej wiedz%C4%99.

Testowanie roju pszcz%C3%B3%C5%82

Aby sprawdzi%C4%87, czy te pomys%C5%82y si%C4%99 op%C5%82acaj%C4%85, autorzy uruchomili cABC na dwóch du%C5%BCych zbiorach standardowych problemów testowych z literatury bada%C5%84 operacyjnych, obejmuj%C4%85cych sieci od umiarkowanych po bardzo du%C5%BCe. Porównali jego wyniki z oryginalnym ABC i z jedenastoma innymi zaawansowanymi algorytmami opartymi na ró%C5%BCnych metaforach, w tym świetlikach, gawronach, szara%C5%BCach i nasionach drzew. W tych testach cABC nie tylko dorównał albo poprawi%C5%82 najlepiej dotychczas znane koszty w wi%C4%99kszo%C5%9Bci przypadków, ale tak%C5%BCe robi%C5%82 to znacznie bardziej niezawodnie, cz%C4%99sto osi%C4%85gaj%C4%85c najlepsze rozwi%C4%85zanie w niemal ka%C5%BCdym niezale%C5%BCnym uruchomieniu. Jego przewaga by%C5%82a szczególnie widoczna w najwi%C4%99kszych i najbardziej wymagaj%C4%85cych przykladach, gdzie inne metody cz%C4%99sto utkn%C4%99%C5%82y w dro%C5%BCszych konfiguracjach.

Co to oznacza dla planowania w rzeczywistym świecie

Mówi%C4%85c prosto, praca ta dostarcza bardziej niezawodnego planisty „inspirowanego pszczo%C5%82ami” do decydowania, gdzie umie%C5%9Bci%C4%87 magazyny, zak%C5%82ady czy centra serwisowe. Pozwalaj%C4%85c algorytmowi my%C5%9Ble%C4%87 w g%C5%82adkich prawdopodobie%C5%84stwach, a nast%C4%99pnie czysto przekszta%C5%82ca%C4%87 je w decyzje tak/nie — jednocze%C5%9Bnie naprawiaj%C4%85c zle zgadywania i utrzymuj%C4%85c różnorodno%C5%9B%C4%87 — cABC bada przestrze%C5%84 mo%C5%BCliwo%C5%9Bci szeroko i dog%C5%82%C4%99bnie. Efekt to narz%C4%99dzie, które potrafi znale%C5%BA%C4%87 ta%C5%84sze rozk%C5%82ady i robi to konsekwentnie, co czyni je mocnym kandydatem dla firm i planistów potrzebuj%C4%85cych projektowa%C4%87 ekonomiczne sieci dystrybucji w z%C5%82o%C5%BConym, du%C5%BCo-skalowym otoczeniu logistycznym.

Cytowanie: An, M., Xiang, W., Jiang, Y. et al. A continuous artificial bee colony algorithm for solving uncapacitated facility location problems. Sci Rep 16, 8780 (2026). https://doi.org/10.1038/s41598-026-37792-5

Słowa kluczowe: lokalizacja obiekt%C3%B3w, inteligencja rojowa, metaheurystyczna optymalizacja, planowanie logistyczne, sztuczny rój pszcz%C3%B3%C5%82