Συντάχθηκε 12-02-2026 11:20
Τόπος: Γ3 - Κτίριο Γ3, Γ3.0.13
Έναρξη: 16/02/2026 13:00
Λήξη: 16/02/2026 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ημερομηνία: Δευτέρα, 16 Φεβρουαρίου 2026, 13:00
Αίθουσα: Γ3.0.13
Ονοματεπώνυμο: ΜΑΝΑΛΗ ΕΛΙΣΑΒΕΤ-ΜΑΡΙΑ
Θέμα: Πράσινη Δρομολόγηση Οχημάτων: Μείωση Εκπομπών CO₂ και Ελαχιστοποίηση της Κατανάλωσης Καυσίμων
Title: Green Vehicle Routing: Reducing CO₂ Emissions and Minimizing Fuel Consumption
Εξεταστική Επιτροπή
- ΜΑΡΙΝΑΚΗΣ ΙΩΑΝΝΗΣ, Καθηγητής (επιβλέπων)
- ΜΑΡΙΝΑΚΗ ΜΑΓΔΑΛΗΝΗ, ΕΔΙΠ
- ΤΣΑΓΚΑΡΑΚΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
Περίληψη
Η παρούσα εργασία εξετάζει το πρόβλημα της πράσινης δρομολόγησης οχημάτων, ένα πεδίο κρίσιμης σημασίας λόγω της ανάγκης για περιορισμό των εκπομπών διοξειδίου του άνθρακα και εξοικονόμηση καυσίμων στις σύγχρονες μεταφορές. Δεδομένου ότι ο τομέας της εφοδιαστικής συμβάλλει σημαντικά στην περιβαλλοντική επιβάρυνση, η μελέτη αυτή στόχευσε στην ανάπτυξη καινοτόμων λύσεων που εξισορροπούν το λειτουργικό κόστος με την οικολογική βιωσιμότητα. Για την επίτευξη αυτού του σκοπού, αναπτύχθηκε ένα υπολογιστικό μοντέλο σε γλώσσα Python, εφαρμόζοντας τον μεθευρετικό αλγόριθμο Βελτιστοποίησης Αποικίας Μυρμηγκιών (Ant Colony Optimization - ACO). Η συγκεκριμένη μέθοδος επιλέχθηκε για την ικανότητά της να επιλύει σύνθετα προβλήματα συνδυαστικής βελτιστοποίησης, ενώ ενισχύθηκε με τους τελεστές τοπικής αναζήτησης 2-opt, 1-0 relocate και 1-1 exchange, προσφέροντας το πλεονέκτημα της ταχύτερης σύγκλισης σε βέλτιστες διαδρομές. Η εργασία συνεισφέρει στην παροχή ενός αποτελεσματικού εργαλείου για τη λήψη αποφάσεων, προάγοντας τη βιώσιμη εφοδιαστική και τη μετάβαση σε ένα μοντέλο μεταφορών με χαμηλό ανθρακικό αποτύπωμα.
Abstract
This thesis addresses the Green Vehicle Routing Problem, a field of critical importance due to the urgent need to reduce carbon dioxide emissions and achieve fuel savings in modern transportation. Given that the logistics sector significantly contributes to environmental degradation, this study aimed to develop innovative solutions that balance operational costs with ecological sustainability. To achieve this objective, a computational model was developed in Python, employing the Ant Colony Optimization (ACO) meta-heuristic algorithm. This method was selected for its ability to solve complex combinatorial optimization problems and was further enhanced with local search operators (2-opt, 1-0 relocate, and 1-1 exchange), offering the advantage of faster convergence to optimal routes. This work contributes an effective decision-making tool that promotes sustainable logistics and the transition toward a transportation model with a reduced carbon footprint.
