Введение 5
Глава 1 Постановка задачи исследования и анализ алгоритма k-means 7
1.1 Постановка задачи исследования 7
1.2 Методы решения задачи кластеризации 8
1.3 Анализ алгоритма k-means 12
Глава 2 Разработка решения для оптимизации планирования доставки грузов
на основе алгоритма k-means 18
Глава 3 Разработка программы оптимизации планирования доставки грузов на основе алгоритма k-means 26
3.1 Программа «1CTMS Логистика. Управление перевозками» 26
3.2 Программа «Простые маршруты» 27
3.3 Онлайн-сервис «Калькулятор для кластеризации по алгоритму К-
средних» 29
3.4 Выбор платформы и разработка программы 30
Заключение 39
Список используемой литературы и используемых источников 42
В условиях пандемии резко возросла нагрузка на службы доставки грузов по заказам клиентов.
Для обеспечения бесперебойной и своевременной доставки грузов с высоким качеством обслуживания каждый маршрут доставки необходимо тщательно спланировать и проверить.
C оперативной точки зрения задача оптимизации планирования доставки груза состоит в обеспечении эффективности процесса доставки за счет экономии топлива и сокращения времени простоя.
Как показывает практика, для решения данной задачи необходимо использовать методы интеллектуального анализа данных - Data mining.
Одним из таких методов является метод кластеризации данных на основе алгоритма k-means.
Решение задачи оптимизации планирования доставки грузов на основе алгоритма k-means представляет актуальность и научно-практический интерес.
Объектом исследования бакалаврской работы является процесс планирования доставки грузов.
Предметом исследования бакалаврской работы является оптимизация планирования доставки грузов.
Цель бакалаврской работы - оптимизация планирования доставки грузов на основе алгоритма k-means.
Для достижения данной цели необходимо выполнить следующие задачи:
- выполнить постановку задачи оптимизации планирования доставки грузов и проанализировать алгоритм кластеризации данных k-means на предмет решения данной задачи;
- разработать решение для оптимизации планирования доставки грузов на основе алгоритма k-means;
- разработать программу для оптимизации планирования доставки грузов на основе предлагаемого решения и подтвердить ее работоспособность.
Методы исследования - интеллектуальный анализ данных, алгоритм k- means.
Практическая значимость бакалаврской работы заключается в разработке программы оптимизации планирования доставки грузов на основе алгоритма k-means, обеспечивающей высокую эффективность процесса доставки.
Данная работа состоит из введения, трех глав, заключения и списка используемой литературы.
Первая главе работы посвящена постановке задачи исследования и анализу алгоритма k-means.
Вторая глава работы посвящена разработке решения для оптимизации планирования доставки грузов на основе алгоритма k-means.
В третьей главе рассматривается процесс разработки программы оптимизации планирования доставки грузов на основе предлагаемого решения.
В заключении описываются результаты выполнения выпускной квалификационной работы.
Бакалаврская работа состоит из 44 страниц текста, 20 рисунков, 4 таблиц и 20 источников.
Выпускная квалификационная работа посвящена актуальной проблеме оптимизация планирования доставки грузов на основе алгоритма k-means.
C оперативной точки зрения задача оптимизации планирования доставки груза состоит в обеспечении эффективности процесса доставки за счет экономии топлива и сокращения времени простоя. Как показывает практика, для решения данной задачи необходимо использовать методы интеллектуального анализа данных - Data mining.
Одним из таких методов является метод кластеризации данных на основе алгоритма k-means.
Для достижения данной цели в процессе работы над бакалаврской работой решены следующие задачи:
- выполнена постановка задачи оптимизации планирования доставки грузов. Задача оптимизации планирования доставки грузов рассматривается как задача кластеризации. Кластеризацию можно определить, как задачу идентификации групп в данных, так чтобы точки данных в одном кластере были очень похожи и при этом сильно отличались от точек данных в других кластерах. Одним из широко применяемых на практике алгоритмов кластеризации является алгоритм k-means. Главным преимуществом данного алгоритма является его высокая производительность и простота реализации;
- рассмотрено решение задачи оптимизации планирования доставки грузов на представленном в работе примере. Для решения задачи использован алгоритм k-means и табличный процессор Excel. Как показали результаты, алгоритм k-means позволяет решить задачу оптимизации планирования доставки грузов путем разбиения региона доставки на ближние зоны-кластеры. Таким образом, подход к оптимизации планирования доставки грузов на основе алгоритма k- means может быть рекомендован для решения задач формирования оптимальных маршрутов;
- разработана программа формирования оптимальных маршрутов доставки грузов на основе алгоритма k-means. Проанализированы функциональные и архитектурные особенности программ «1CTMS», «1С: Простые маршруты» и онлайн-сервиса «Калькулятор для кластеризации по алгоритму К-средних». В результате сравнительного анализа в качестве платформы для разработки использовано типовое ИТ-решение «1С: Простые маршруты». Функциональное тестирование подтвердило возможность использования программы для формирования оптимальных маршрутов доставки грузов на основе алгоритма k-means и их визуализации.
Результаты бакалаврской работы представляют научно-практический интерес и могут быть рекомендованы для разработчиков программ поддержки задач формирования оптимальных маршрутов на основе методов интеллектуального анализа данных.
1. 1C:TMS Логистика. Управление перевозками [Электронный ресурс]. URL: https://itob.ru/products/1c-tms/ (дата обращения: 07.05.2021).
2. Воронцов К.В. Математические методы обучения по прецедентам
(теория обучения машин) [Электронный ресурс]. URL:
http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата
обращения: 07.05.2021).
3. Евклидова метрика [Электронный ресурс]. URL:
https://ru.wikipedia.org/wiki/%D0%95%D0%B2%D0%BA%D0%BB%D0%B8%D0%B4%D0%BE%D0%B2%D0%B0_%D0%BC%D0%B5%D 1 %82%D 1 %80%D0%B8%D0%BA%D0%B0 (дата обращения: 07.05.2021).
4. Карпович Е. Е. Методы тестирования и отладки программного обеспечения : учебник. Москва : Издательский Дом МИСиС, 2020. 136 c. [Электронный ресурс]. URL: https://www.iprbookshop.ru/106722.html(дата обращения: 18.05.2021).
5. Кластеризация заказов по географическим координатам
[Электронный ресурс]. URL:
http://danila.org.ua/category/%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D 0%B0/1%D1%81/page/3/ (дата обращения: 07.05.2021).
6. Котов К., Красильников Н. Кластеризация данных [Электронный ресурс]. URL: https://logic.pdmi.ras.ru/~yura/internet/02ia-seminar-note.pdf(дата обращения: 07.05.2021).
7. Метод k-средних. [Электронный ресурс]. URL:
https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_k- %D1 %81 %D 1 %80%D0%B5%D0%B4%D0%BD%D0%B8%D 1 %85 (дата
обращения: 07.05.2021).
8. Метод Кларка-Райта. Оптимальное планирование маршрутов
грузоперевозок [Электронный ресурс]. URL:
https://infostart.ru/1c/articles/443585/(дата обращения: 07.05.2021).
9. Онлайн-сервис «Калькулятор кластерного анализа» [Электронный
ресурс]. URL: https://axd.semestr.ru/upr/average.php (дата обращения
07.05.2021).
10. Онлайн-сервис Google Maps [Электронный ресурс]. URL: https://www.google.ru/maps(дата обращения 07.05.2021).
11. Оптимизация планирования доставки грузов. Алгоритм кластеризации k-means (метод K-средних) [Электронный ресурс]. URL: https://infostart.ru/1c/articles/444787/(дата обращения: 07.05.2021).
12. Программа «Простые маршруты» [Электронный ресурс]. URL: https://infostart.ru/public/635798/ (дата обращения: 07.05.2021).
13. Смирнов А.В., Андрианов И.А., Суконщиков А.А., Бахтенко Е.А. Математическая модель оптимизации доставки товаров автотранспортом на разветвленной сети дорог для решения задачи кластеризации // Тенденции науки и образования. Сборник научных трудов по материалам XXII международной научной конференции, Самара, 2017. С 35-37.
14. Фирма 1С [Электронный ресурс]. URL: https://1c.ru/(дата обращения 07.05.2021).
15. Форман Д. Много цифр: Анализ больших данных при помощи Excel [Электронный ресурс]. URL: https://baguzin.ru/wp/dzhon-forman-mnogo-tsifr- analiz-bolshih/#%D0%93%D0%BB2(дата обращения: 07.05.2021).
16. Alshaer M. An Efficient Framework for Processing and Analyzing Unstructured Text to Discover Delivery Delay and Optimization of Route Planning in Realtime. Data Structures and Algorithms. Universite de Lyon; Ecole Doctorale des Sciences et de Technologie (Beyrouth), 2019.
17. An Introduction to Clustering and different methods of clustering [Электронный ресурс]. URL: https://www.analyticsvidhya.com/blog/2016/11/an- introduction-to-clustering-and-different-methods-of-clustering/(дата обращения: 07.05.2021).
18. An optimized version of the K-Means clustering algorithm [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/6933081(дата обращения: 07.05.2021).
19. Eight Clustering Algorithms in Machine Learning that All Data Scientists
Should Know [Электронный ресурс URL:
https://www.freecodecamp.org/news/8-clustering-algorithms-in-machine-learning- that-all-data-scientists-should-know/(дата обращения: 07.05.2021).
20. K-means Clustering: Algorithm, Applications, Evaluation Methods, and Drawbacks [Электронный ресурс]. URL: https://towardsdatascience.com/k- means-clustering-algorithm-applications-evaluation-methods-and-drawbacks- aa03e644b48a(дата обращения: 07.05.2021).