Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Computer Engineering Dept, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: ÖZGE ASLAN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ahmet Yazici
Eş Danışman: İnci Sarıçiçek
Özet:
Kent nüfusunun hızlı artışı ve e-ticaret
faaliyetlerindeki yükseliş, son kilometre teslimat süreçlerinde önemli
zorlukları beraberinde getirmiştir. Bu bağlamda, çevre dostu bir alternatif
olarak elektrikli araçların (EV) son kilometre teslimatta kullanımı ön plana
çıkmaktadır. Elektrikli araçlar, hava kirliliğini azaltmanın yanı sıra enerji
verimliliği ve sürdürülebilir şehir içi ulaşım sistemlerinin geliştirilmesine
de önemli katkılar sağlamaktadır. Bu dinamikler içinde, Elektrikli Araç
Rotalama Problemleri (EVRP), geleneksel Araç Rotalama Problemlerinin (VRP)
yerini almaya başlamıştır. Klasik araç rotalamada yakıt ikmali göz ardı edilirken,
elektrikli araç rotalama problemlerinde şarj istasyonlarının konumu ve uzun
şarj süreleri dikkate alınmalıdır. Bu tez çalışmasında elektrikli araç rotalama
problemlerinden biri olan Kapasiteli Elektrikli Araç Rotalama Problemi ve Topla
Dağıt Elektrikli Araç Rotalama Problemi ele alınmaktadır. Kapasiteli Elektrikli Araç Rotalama Problemi (CEVRP)
için pekiştirmeli öğrenme yöntemlerinden biri olan yeni bir Q-öğrenme
algoritması önerilmiştir. Zaman Pencereli Kapasiteli Elektrikli Araç Rotalama
Problemi (CEVRPTW) ve Zaman Pencereli Topla Dağıt Elektrikli Araç Rotalama
Problemi (EVRP-PDP-TW) için derin pekiştirmeli öğrenme yöntemlerinden biri olan
yeni bir Derin Q-Ağı (DQN) algoritması geliştirilmiştir. Bildiğimiz kadarıyla
EVRP-PDP-TW problemi için pekiştirmeli öğrenme yaklaşımını kullanan ilk çalışma
budur. Ayrıca çalışmada, Eskişehir Osmangazi Üniversitesi Meşelik Kampüsü’ndeki
gerçek coğrafi konumlar esas alınarak pekiştirmeli öğrenme yöntemleri için
ortam ihtiyacını karşılayacak iki yeni veri seti oluşturulmuştur. Kapasiteli
elektrikli araç rotalama problemlerinde kullanılabilecek ESOGU-CEVRPTW veri
seti ve topla dağıt elektrikli araç rotalama problemlerinde kullanılabilecek
ESOGU-EVRP-PDP-TW veri seti için matematiksel model tarafından elde edilen optimal
çözümler sunulmuştur. Geliştirilen algoritmaların performansı, önerilen özgün
veri setlerindeki optimal sonuçlarla karşılaştırılmıştır. Deneysel sonuçlar,
önerilen Q-öğrenme ve DQN algoritmalarının elektrikli araçların menzil
kısıtları ve şarj gereksinimlerini etkin bir şekilde dikkate alarak optimal
sonuçlara çok yakın sonuçları oldukça kısa sürede elde ettiğini göstermektedir.
Ayrıca, derin pekiştirmeli öğrenme tabanlı algoritmaların eğitim süreci
yalnızca bir defa gerçekleştirildiğinden, aynı dağılıma sahip yeni problemlere
doğrudan uygulanabilmesi, geleneksel optimizasyon yöntemlerine göre büyük bir
avantaj sağlamaktadır. Önerilen algoritmaların sağladığı bu avantajlar lojistik
süreçlerinin verimliliği artırmaktadır.