Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuçlar, RPOA'nın daha kısa rotalar ürettiğini ve bazı durumlarda çözüme daha hızlı ulaştığını göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, doğadan esinlenerek geliştirilen Kırmızı Panda Optimizasyon Algoritması'nın (RPOA), Gezgin Satıcı Problemi'ni (TSP) çözmedeki performansını analiz etmektedir. Özellikle, afet durumlarında toplanma alanlarına en kısa ve en verimli rotaları belirlemeyi amaçlamaktadır. TSP, lojistik, rota planlama, dağıtım ve tesis yerleştirme gibi geniş bir uygulama yelpazesine sahip temel bir problemdir. Geniş bir çözüm alanına sahip ve NP-zor (çözülmesi zor) olarak sınıflandırılan bu problem, uzun yıllardır araştırmacılar tarafından incelenmektedir. Hızla büyüyen çözüm alanı nedeniyle, klasik yöntemlerle çözülmesi pratik değildir. Klasik yöntemlerin yetersiz kaldığı bu problem için, kırmızı pandaların beslenme ve dinlenme davranışlarını taklit eden RPOA, etkili bir arama stratejisi sunmaktadır. Bu çalışmada, algoritma İzmir ilinin Karşıyaka ilçesinde bulunan 115 gerçek afet ve acil durum toplanma alanının koordinatları kullanılarak test edilmiştir. RPOA'nın performansı, klasik rastgele TSP algoritmasıyla karşılaştırılmış; çözüm kalitesi ve hesaplama süresi analiz edilmiştir. Sonuçlar, RPOA'nın daha kısa rotalar ürettiğini ve bazı durumlarda çözüme daha hızlı ulaştığını göstermektedir. Bu bulgular, algoritmanın afet yönetimi gibi zaman açısından kritik uygulamalarda kullanılabilirliğini ortaya koymaktadır.
Abstract
This study analyzes the Red Panda Optimization Algorithm (RPOA), inspired by nature, in solving the Traveling Salesman Problem (TSP). Specifically, it aims to determine the shortest and most efficient routes to assembly areas during disasters. TSP is a fundamental problem with a wide range of applications in logistics, route planning, distribution, and facility location. It is a problem classified as NP-hard (difficult to solve) with a large solution space, and has been studied by researchers for many years. Due to the rapidly growing solution space, solving it with classical methods is impractical. For this problem, where classical methods are insufficient, RPOA, which mimics the feeding and resting behaviors of red pandas, offers an effective search strategy. In this study, the algorithm is tested using the coordinates of 115 real disaster and emergency assembly areas located in Karşıyaka district of İzmir province. The performance of RPOA is compared with the classical randomized TSP algorithm; its solution quality and computation time are analyzed. The results show that RPOA produces shorter routes and, in some cases, reaches a solution faster. These findings demonstrate the algorithm's usability in time-critical applications such as disaster management.