Kapasitetsiz tesis yerleştirme problemlerini çözmek için sürekli yapay arı kolonisi algoritması

Depoları Yerleştirmenin Daha Akıllı Yolları

Mal gönderen her şirketin karşılaştığı temel ama maliyetli bir soru vardır: depolarımızı veya hizmet merkezlerimizi müşterilere ucuz ve güvenilir şekilde hizmet verecek şekilde nereye koymalıyız? Bu makale, bal arılarının yiyecek arama biçiminden esinlenen bir algoritmayla bu bulmacayı ele alıyor ve arı esinli yöntemin rafine edilmiş bir versiyonunun birçok rakip teknikten daha doğru ve daha tutarlı olarak bu tür yerleşimleri planlayabildiğini gösteriyor.

Yer Seçmenin Zorluğu

Depo yerleştirmenin arkasındaki matematiksel probleme kapasitetsiz tesis yerleştirme problemi denir. Açılabilecek potansiyel yerlerin bir listesini, her birinin sabit bir açılış maliyeti olduğunu ve her müşterinin tam olarak bir açık siteden hizmet alması gereken bir müşteri haritasını hayal edin; hizmetin bir teslimat maliyeti vardır. Amaç hangi sitelerin açılacağını ve her sitenin hangi müşterilere hizmet vereceğini kararlaştırmak, böylece açılış ve teslimat maliyetlerinin toplamı mümkün olduğunca düşük olur. Ağ büyüdükçe olası kombinasyonların sayısı patlayıcı şekilde arttığı için, kaba kuvvet yerine zekice arama stratejilerine ihtiyaç vardır.

Arıların Yem Arama Yönteminden Öğrenmek

Yapay arı kolonisi (YAK/ABC) algoritması gerçek arıların çevrelerini keşfetme biçiminden ödünç alır. Algoritmada her “arı” bir olası çözümü temsil eder. Çalışan arılar mevcut çözümleri etrafında keşif yapar, izleyici arılar umut verici olanlara odaklanır ve keşifçi arılar kötü seçimleri terk ederek yeni bölgelere sıçrar. ABC başlangıçta sürekli sayısal değerleri ayarlamak için geliştirilmişti; bir düğmeyi yukarı veya aşağı kaydırmak gibi. Ancak depo yerleştirme kararları özünde evet-hayır tercihleridir: bu siteyi aç ya da açma; bu müşteriyi buraya ya da başka yere ata. Klasik ABC, yumuşak sayıları açık/kapalı kararlara çevirecek ekstra mekanizmalar olmadan zorlanır.

Keskin Kararlar İçin Yumuşak Aramayı Dönüştürmek

Yazarlar, orijinal yöntemin yumuşak aramasını koruyan ancak evet-hayır seçimleri doğal olarak ele alan sürekli ABC (cABC) adını verdikleri bir varyant öneriyor. Algoritmanın 0 ile 1 arasındaki sürekli uzayda dolaşmasına izin veriyor ve her değeri bir tesisin açık olma olasılığı olarak değerlendiriyor. Basit bir kural bu olasılıkları net açık-kapalı kararlara çeviriyor. Zayıf ya da dar bir başlangıç tahmin kümesiyle başlanmasını önlemek için cABC, başlangıç çözümlerini arama uzayı boyunca genişçe yaymak üzere bir “kaotik” desen kullanıyor. Bir deneme çözümü hiçbir tesis açılmasını öngörürse ya da başka şekilde kuralları ihlal ederse, dinamik bir onarım süreci otomatik olarak birkaç seçimi ayarlıyor, böylece çözüm işe yarar hale geliyor ve çok uzaklara kaymadan ümit vaat eden bölgeleri koruyor.

Yönlendirilen Sürüler ve Uyarlanabilir Ayarlamalar

Bu temel düzenin ötesinde, cABC sanal arıların daha etkili iş birliği yapmasına yardımcı olacak birkaç iyileştirme ekliyor. Bir arının konumunu her zaman yalnızca kendisi ve rastgele bir eşe dayanarak ayarlamak yerine, algoritma bazen değişimi diğer rastgele seçilmiş çözümlerin yönlendirmesine izin veriyor; bazen çok iyi olanları bazen de daha zayıf olanları kullanarak hem odaklanma hem de çeşitliliği koruyor. Zamanla değişen bir şema, arama ilerledikçe bir çözümün daha fazla parçasını kademeli olarak bozarak arılar arasında bilgilerin daha derin paylaşımına olanak tanıyor. İzleyici arıların hangi çözümleri iyileştireceğine karar verdiği aşamada, değiştirilmiş bir olasılık kuralı bile ortalama adayların biraz ilgi görmesini sağlıyor; bu, sürünün çok hızlı şekilde tek bir seçeneğin etrafında çökmesini azaltıyor. Son olarak, bir arının konumu uzun süre başarısız olduğunda cABC onu atmak yerine o çözümün “zıt” bir versiyonunu yaratıyor; bu sıklıkla daha iyi bölgelere daha yakın sonuçlar veriyor ve daha önce edinilmiş bilgiyi yeniden kullanıyor.

Arı Sürüsünü Sınamak

Bu fikirlerin karşılığını verip vermediğini görmek için yazarlar cABC’yi operasyon araştırmaları literatüründen alınmış, orta ölçekten çok büyük boyutlara kadar ağları kapsayan iki büyük standart test problem koleksiyonunda çalıştırdı. Sonuçları orijinal ABC ile ve ateşböcekleri, kargalar, çekirgeler ve ağaç tohumu gibi farklı metaforlara dayanan on bir gelişmiş algoritmayla karşılaştırdılar. Bu testlerin tümünde cABC çoğu durumda bilinen en iyi maliyetlerle eşleşmekle kalmadı, birçok durumda bunları iyileştirdi ve bunu çok daha güvenilir şekilde yaptı; çoğu bağımsız çalıştırmada en iyi çözüme neredeyse her seferinde ulaştı. Avantajı özellikle diğer yöntemlerin sık sık daha pahalı düzenlerde takıldığı en büyük ve en zorlu örneklerde belirgindi.

Gerçek Dünyada Planlama İçin Ne Anlama Geliyor

Düz bir ifadeyle, bu çalışma depoları, tesisleri veya hizmet merkezlerini nereye koyacaklarına karar vermek için daha güvenilir bir “arı esinli” planlayıcı sunuyor. Algoritmanın olasılıkları yumuşakça düşünmesine izin verip ardından bunları temizce evet-hayır kararlarına çevirmesine—kötü tahminleri onarırken ve çeşitliliği korurken—cABC seçenek manzarasını hem geniş hem de derin şekilde keşfediyor. Sonuç, daha ucuz düzenleri bulabilen ve bunu tutarlı şekilde yapabilen bir araç; bu da karmaşık, büyük ölçekli lojistik dünyasında maliyet-etkin dağıtım ağları tasarlaması gereken şirketler ve planlamacılar için güçlü bir aday yapıyor.

Atıf: 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

Anahtar kelimeler: tesis yerleşimi, sürü zekâsı, meta-sezgisel optimizasyon, lojistik planlama, yapay arı kolonisi