Development of innovative approaches for network optimization using geospatial multi-component systems

Abstract

EN: Context. Developing a geospatial multi-agent system for optimizing transportation networks is crucial for enhancing efficiency and reducing travel time. This involves employing optimization algorithms and simulating agent behavior within the network. Objective. The aim of this study is to develop a geospatial multi-agent system for optimizing transportation networks, focusing on improving network efficiency and minimizing travel time through the application of advanced optimization algorithms and agent-based modeling. Method. The proposed method for optimizing transportation networks combines foundational structure with advanced refinement in two stages: pre-processing and evolutionary strategy optimization. In the first stage, a Minimum Spanning Tree is constructed using Kruskal’s algorithm to establish the shortest, loop-free network that connects all key points, accounting for natural obstacles and existing routes. This provides a cost-effective and realistic baseline. The second stage refines the network through an evolutionary strategy, where agents representing MST variations are optimized using a fitness function balancing total path length, average node distances, and penalties for excessive edges. Optimization employs crossover to combine solutions and mutation to introduce diversity through edge modifications. Repeated over multiple epochs, this process incrementally improves the network, resulting in an optimized design that minimizes costs, enhances connectivity, and respects real-world constraints. Results. The results of applying the evolutionary strategy and minimum spanning tree methods were analyzed in detail. Comparing these methods to benchmarks like Tokyo’s railway network and the Slime Mold algorithm revealed the advantage of using the evolutionary approach in generating optimal paths. The findings emphasize the need for integrating advanced algorithms to further refine path optimization and network design. Conclusions. The research successfully developed a geospatial multi-agent system for optimizing transportation networks, achieving its objectives by addressing key challenges in transport network planning. A detailed analysis of existing solutions revealed the dynamic and complex nature of transportation systems and underscored the need for adaptability to environmental changes, such as new routes or obstacles. The proposed approach enhanced the minimum spanning tree with an evolutionary strategy, enabling flexibility and rapid adaptation. Results demonstrated the system’s effectiveness in planning optimal intercity transport networks. Future work could refine environmental assessments, improve route cost evaluations, expand metrics, define new performance criteria, and integrate neural network models to further enhance optimization capabilities, particularly for urban networks. UK: Актуальність. Розробка геопросторової багатагентної системи для оптимізації транспортних мереж є важливою для підвищення ефективності та зменшення часу подорожі. Це передбачає використання алгоритмів оптимізації та моделювання поведінки агентів у межах мережі. Мета роботи є розробка геопросторової багатагентної системи для оптимізації транспортних мереж, зосереджуючи увагу на покращенні ефективності мережі та мінімізації часу подорожі шляхом застосування передових алгоритмів оптимізації та моделювання на основі агентів. Метод. Запропонований метод оптимізації транспортних мереж поєднує базову структуру з розширеним уточненням у два етапи: попередня обробка та оптимізація еволюційної стратегії. На першому етапі будується мінімальне остовне дерево за допомогою алгоритму Крускала для встановлення найкоротшої мережі без петель, яка з’єднує всі ключові точки, враховуючи природні перешкоди та існуючі маршрути. Це забезпечує економічно ефективну та реалістичну базову лінію. Другий етап удосконалює мережу за допомогою еволюційної стратегії, де агенти, що представляють варіації мінімального остового дерева, оптимізуються за допомогою функції пристосування, яка балансує загальну довжину шляху, середню відстань до вузлів і штрафи за надмірні краї. Оптимізація використовує кросовер для поєднання рішень і мутацію для введення різноманітності через модифікації країв. Цей процес, повторюється протягом багатьох епох, поступово покращує мережу, в результаті чого створюється оптимізований щлях, який мінімізує витрати, покращує підключення та поважає обмеження подані в режимі реального часу. Результати. Результати застосування еволюційної стратегії та методів мінімальної вартості відстані були детально проаналізовані. Для е волюційної стратегії були оцінені такі метрики, як ефективність шляхів і обчислювальні витрати, що продемонструвало значні покращення в оптимізації мережі. У випадку MST, хоча метод надав базову структуру для вибору шляхів, візуальні та числові оцінки підкреслили обмеження в розв’язанні складних реальних обмежень. Порівняння цих методів з еталонами, такими як залізнична мережа Токіо та алгоритм слизової цвілі, виявило перевагу еволюційного підходу в генерації оптимальних шляхів. Висновки підкреслюють необхідність інтеграції передових алгоритмів для подальшого вдосконалення оптимізації шляхів і проектування мереж. Висновки. Дослідження успішно розробило геопросторову багатоагентну систему для оптимізації транспортних мереж, досягнувши поставлених цілей шляхом вирішення ключових проблем у плануванні транспортної мережі. Детальний аналіз існуючих рішень виявив динамічний і складний характер транспортних систем і підкреслив необхідність адаптації до змін навколишнього середовища, таких як нові маршрути або перешкоди. Запропонований підхід розширив мінімальне охоплююче дерево за допомогою еволюційної стратегії, забезпечивши гнучкість і швидку адаптацію. Результати продемонстрували ефективність системи в плануванні оптимальних міжміських транспортних мереж. Майбутня робота може вдосконалити екологічні оцінки, покращити оцінку вартості маршруту, розширити показники, визначити нові критерії продуктивності та інтегрувати моделі нейронних мереж для подальшого підвищення можливостей оптимізації, особливо для міських мереж.