Kazakistan’ın Astana ve Shymkent kentlerinden vaka çalışmaları: güzergâh optimizasyonu için genetik algoritmalarda çaprazlama karşılaştırmalı analizi

Neden daha akıllı otobüs güzergâhları önemli

Otobüs durağında uzun süre beklemiş veya birden çok aktarma ile uğraşmış olan herkes bilir ki bir şehir içinde seyahat etmek yalnızca mesafe meselesi değildir. Haritada iki yer yakın görünebilir, ancak doğru hatlar birbirine bağlanmıyorsa ulaşması zor olabilir. Bu makale, evrimden esinlenen bir arama yöntemi sınıfı olan genetik algoritmaların, Kazakistan’daki Astana ve Shymkent gibi şehirlerde gerçek toplu taşıma ağlarına uygun daha iyi otobüs güzergâhları tasarlamak için nasıl ayarlanabileceğini inceliyor. Çalışma, bu algoritmaların kritik bir bileşeni olan çaprazlama adımına odaklanıyor ve doğru seçildiğinde hantallık ve dolambaçlı seyahatler ile hızlı, gerçekçi güzergâhlar arasındaki farkı yaratabileceğini gösteriyor.

Dağınık şehir haritalarından akıllı aramaya

Geleneksel güzergâh planlayıcıları genellikle şehirleri yolculukların herhangi iki nokta arasında serbestçe hareket edebileceği varsayımıyla, yalnızca fiziksel mesafeyi dikkate alarak ele alır. Gerçek otobüs sistemleri böyle çalışmaz: yalnızca hatların gerçekten geçtiği yerlere gidebilirsiniz ve her eksik bağlantı veya zorunlu sapma zaman ve para kaybettirir. Yazarlar bu gerçeği, önemli şehir noktalarını noktalar olarak, yol ve otobüs bağlantılarını kenarlar olarak ve her noktayı yalnızca bir kez ziyaret eden tamamlanmış bir yolculuğu bir yol olarak temsil ederek modelliyor. Ardından iki parçalı bir hedef koyuyorlar: önce doğrudan otobüs olmayan "yasadışı" adımlardan kaçınmak; sonra yasal güzergâhlar arasından toplam mesafesi en kısa olanı seçmek. Bu, şehir büyüdükçe tüm seçenekleri kontrol etmeyi hızla imkânsız kılan, çok sayıda olası yola sahip zorlu bir bulmaca oluşturuyor.

Evrim nasıl daha iyi güzergâhlar bulmaya yardımcı olur

Genetik algoritmalar bu tür bulmacalara doğal seçilimi taklit ederek saldırır. Bir seferde tek bir güzergâh denemek yerine, aday güzergâhların tüm bir popülasyonunu tutarlar. Her nesilde daha iyi güzergâhlar tercih edilir ve yeni güzergâhlar mevcut olanların karıştırılması ve hafifçe değiştirilmesiyle oluşturulur. Ana karıştırma adımı—çaprazlama—iki ebeveyn güzergâhın parçalarının yeni bir çocuk güzergâha nasıl birleştirileceğine karar verir. Otobüs planlaması için bu adım kritiktir: iyi yapıldığında, bağlantılı durakların faydalı örüntülerini aktarır; kötü yapıldığında bağlantıları bozabilir ve otobüs ağını yoksayan güzergâhlar üretebilir. Yazarlar, durakların sırasını, durakların tam konumlarını veya duraklar arasındaki gerçek bağlantıları koruma biçimleriyle değişen dokuz farklı çaprazlama stilini test ediyorlar.

Güzergâhları karıştırmanın birçok yolunu test etmek

Hangi çaprazlamaların en iyi çalıştığını görmek için ekip, Konya (önceki çalışmalardan referans kent) ve Astana ile Shymkent’in gerçek toplu taşıma verileri üzerinde geniş bir deney bataryası yürütüyor. Her şehir için 14 önemli hedef seçiyorlar, bunları yakın duraklara bağlıyorlar ve üç temel veri tablosu oluşturuyorlar: konumlar arasındaki mesafeler, hangi çiftlerin doğrudan otobüs bağlantısına sahip olduğu ve otobüs olmayan yerlere gitmeye çalışmanın ceza puanları. Ardından nüfus büyüklüğünü, çaprazlamanın ne sıklıkla kullanıldığını ve küçük rastgele değişikliklerin (mutasyonların) ne kadar sık uygulandığını değiştirerek yüzlerce ayarı keşfediyorlar. Her ayar için algoritmayı şansa bağlı değişkenliği hesaba katmak üzere birçok kez tekrarlıyorlar ve yalnızca nihai güzergâhların ne kadar kısa olduğuna değil, yöntemin herhangi bir yasal güzergâh bulma sıklığına ve bu noktaya ne kadar hızlı ulaştığına da bakıyorlar.

Gerçekçi yolculuklar için kazanan strateji

Üç şehirde de öne çıkan bir çaprazlama stili var: kenar yeniden kombinasyonu (edge recombination). Durakların sırasına ağırlık veren yöntemlerin aksine, kenar yeniden kombinasyonu hangi durakların doğrudan bağlandığına dikkat ediyor ve yeni güzergâhlar oluştururken bu bağlantıları korumaya çalışıyor. Çalışma, kenar odaklı bu yaklaşımın uygulanabilir otobüs yolculukları üretme olasılığının çok daha yüksek olduğunu, gerçekten bilinen en iyi güzergâhları daha sık yeniden keşfettiğini ve genellikle bunu yalnızca birkaç neslede başarabildiğini gösteriyor. Sıra tabanlı çaprazlama olarak adlandırılan ikinci bir stil de iyi performans gösteriyor ve hesaplama açısından daha hızlı, çok sayıda çalışmanın gerektiği durumlarda iyi bir denge sunuyor. Durakları daha agresif şekilde yeniden düzenleyen diğer yaygın çaprazlamalar ise genellikle zorlanıyor, daha fazla zamana ihtiyaç duyuyor ve daha az yüksek kaliteli güzergâh sağlıyor.

Günlük yolculuklar için bunun anlamı

Uzman olmayan bir okuyucu için sonuç şu: genetik algoritmanın içindeki “tarif” gerçek dünyaya uygun otobüs yolculuklarını tasarlama başarısını büyük ölçüde etkileyebilir. Gerçekçi bağlantıları sağlam tutarken yine de yeni kombinasyonları keşfeden çaprazlama kurallarını öne çıkararak, planlamacılar mevcut otobüs ağına uyan ve toplam seyahat mesafesini düşük tutan güzergâhlar üretebilir. Küçük ama gerçekçi şehir anlık görüntüleri üzerinde yapılan testlerde, en iyi ayarlanmış genetik algoritma yalnızca tam matematiksel yöntemlerle bulunan güzergâhlarla eşleşmekle kalmadı, bunu hızlı ve güvenilir şekilde yaptı. Bu, şehirler daha karmaşık ve veri açısından zengin hale geldikçe, özenle tasarlanmış evrimsel aramanın toplu taşıma ajanslarının daha doğrudan hissettiren, daha az zor aktarma gerektiren ve araç ile yakıtı daha iyi kullanan güzergâhlar planlamalarına yardımcı olabileceğini gösteriyor.

Atıf: Kazbek, R., Sergaziyev, M., Kenzhe, D. et al. A comparative analysis of crossovers in genetic algorithms for route optimization: case studies from Astana and Shymkent, Kazakhstan. Sci Rep 16, 13816 (2026). https://doi.org/10.1038/s41598-026-43898-7

Anahtar kelimeler: toplu taşıma güzergâhlandırma, genetik algoritmalar, kentsel hareketlilik, güzergâh optimizasyonu, akıllı şehir planlaması