Συντάχθηκε 11-09-2026 10:59
Τόπος: Γ3 - Κτίριο Γ3, Γ3.0.13
Έναρξη: 14/09/2026 10:00
Λήξη: 14/09/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ημερομηνία: Δευτέρα, 14 Σεπτεμβρίου 2026, 10:00
Αίθουσα: Γ3.013
Ονοματεπώνυμο: ΒΛΑΧΑΚΗΣ ΑΧΙΛΛΕΑΣ
Θέμα: Πολυ-Αντικειμενική Βελτιστοποίηση Δρομολόγησης Ετερογενούς Στόλου (VRP) σε Πραγματικό Οδικό Δίκτυο με χρήση Φυσικών περιορισμών, Μηχανικής Μάθησης και Γεωχωρικών Δεδομένων
Title: Multi-Objective Optimization of Heterogeneous Fleet Vehicle Routing Problems (VRP) on a Real Road Network Using Physical Constraints, Machine Learning, and Geospatial Data
Εξεταστική Επιτροπή
- ΜΑΡΙΝΑΚΗΣ ΙΩΑΝΝΗΣ, Καθηγητής (επιβλέπων)
- ΜΑΡΙΝΑΚΗ ΜΑΓΔΑΛΗΝΗ, ΕΔΙΠ
- ΣΙΣΚΟΣ ΕΛΕΥΘΕΡΙΟΣ, Επίκουρος Καθηγητής
Περίληψη
Η δρομολόγηση των αστικών εμπορευματικών μεταφορών αποτέλεσε ένα σύνθετο πρόβλημα συνδυαστικής βελτιστοποίησης, το οποίο απαιτεί την ταυτόχρονη ικανοποίηση πολλαπλών και συχνά αντικρουόμενων στόχων (κόστος, χρόνος, απόσταση). Η παρούσα διπλωματική εργασία εστιάστηκε στην ανάπτυξη ενός ολοκληρωμένου Συστήματος Υποστήριξης Αποφάσεων (DSS) για την επίλυση του Προβλήματος Δρομολόγησης Ρεαλιστικού και Ετερογενούς Στόλου Οχημάτων (HFVRP) από μία κεντρική αποθήκη. Το σύστημα ξεπέρασε τις απλοποιήσεις των κλασικών θεωρητικών μοντέλων, ενσωματώνοντας δεδομένα και περιορισμούς από τον πραγματικό κόσμο. Συγκεκριμένα, αναπτύσσεται και υλοποιείται σε περιβάλλον MATLAB ένας υβριδικός ευρετικός αλγόριθμος κατασκευής (Construction Heuristic), ο οποίος συνδυάζει τη μέθοδο της Πλησιέστερης εκχώρησης (Nearest Insertion) για αρχικοποιηση της λύσης και την μεθοδολογία Αναζήτησης Μεγάλης Γειτονιάς (Large Neighborhood Search - LNS), με δυνατότητα δυναμικής επιλογής αντικειμένων βελτιστοποίησης (Weighted Multi-Objective Optimization). Η καινοτομία της προσέγγισης έγκειται στην ακρίβεια της μοντελοποίησης του οδικού δικτύου και της συμπεριφοράς των οχημάτων με: Γεωχωρική Ακρίβεια: Αντί της χρήσης Ευκλείδειων αποστάσεων, γίνεται διασύνδεση με το Open Source Routing Machine (OSRM) API για την άντληση πραγματικών οδικών αποστάσεων και γεωμετρίας. Φυσική Μοντελοποίηση Κίνησης (Physics-Based Constraints): Υπολογίζεται η κατανάλωση καυσίμου και η ταχύτητα κίνησης λαμβάνοντας υπόψη την κλίση του οδοστρώματος (slope analysis), το τρέχον φορτίο του οχήματος και τα τεχνικά χαρακτηριστικά ενός ετερογενούς στόλου (συμβατικά και ηλεκτρικά οχήματα). Πρόβλεψη Συνθηκών Κυκλοφορίας: Ενσωματώνεται αλγόριθμος Μηχανικής Μάθησης (Τεχνητό Νευρωνικό Δίκτυο) για την πρόβλεψη του κυκλοφοριακού φόρτου βάσει χρονικής στιγμής, επιτρέποντας ρεαλιστικότερη εκτίμηση των χρόνων άφιξης. Το προτεινόμενο σύστημα παρείχε στον χρήστη τη δυνατότητα να παραμετροποιεί τη βαρύτητα των στόχων μέσω πολυκριτηριακού scorer κανονικοποίησης (Linear Max Scaling) και να οπτικοποιεί τα αποτελέσματα σε διαδραστικούς χάρτες και γραφήματα. Τα αποτελέσματα των υπολογιστικών πειραμάτων απέδειξαν τη σταθερότητα του αλγορίθμου και την ικανότητά του να αποτελέσει ένα ευέλικτο εργαλείο λήψης αποφάσεων για τη διανομή σε πραγματικό αστικό περιβάλλον. Λέξεις Κλειδιά: Πολυ-Αντικειμενική Βελτιστοποίηση, HFVRP, OSRM, Νευρωνικά Δίκτυα, Ετερογενής Στόλος, Μοντελοποίηση Φυσικών Περιορισμών.
Abstract
Urban freight routing represents a complex combinatorial optimization problem that requires the simultaneous satisfaction of multiple and often conflicting objectives (cost, time, distance). This diploma thesis focused on the development of a comprehensive Decision Support System (DSS) to solve the Heterogeneous Fleet Vehicle Routing Problem (HFVRP) from a single central depot. The system bypassed the simplifications of classical theoretical models by incorporating real-world data and constraints. Specifically, a hybrid heuristic algorithm was developed and implemented in a MATLAB environment, combining the Nearest Insertion heuristic for initial solution construction and the Large Neighborhood Search (LNS) framework utilizing Destroy and Repair operators for local optimization. The innovation of this approach relied on the high-fidelity modeling of the road network and vehicle behavior across three axes: a) Geospatial Accuracy, achieved by integrating the Open Source Routing Machine (OSRM) API for real road distances and geometry. b) Physics-Based Motion Modeling, where fuel and energy consumption were calculated considering road gradients (slope analysis), current vehicle payload, and the technical profiles of a mixed fleet (conventional and electric vehicles), and c) Traffic Condition Prediction, where an Artificial Neural Network was integrated to predict traffic congestion based on temporal factors. The proposed system allowed the user to configure the objective weights via a multi-objective normalization scorer (Linear Max Scaling) and visualize the optimized routes on interactive maps and graphs. Computational experiments demonstrated the robustness of the algorithm and its capability to serve as a flexible decision-making tool for real-world urban logistics. Keywords: Multi-Objective Optimization, LNS, OSRM API, Neural Networks, Heterogeneous Fleet.
