فهرست نشریات علمی دسترسی آزاد ایران

افزایش پیچیدگی شبکه‌های حمل‌ونقل شهری، رشد سریع تجارت الکترونیک و نیاز روزافزون به تحویل‌های سریع، ارزان و پایدار، ضرورت به‌کارگیری رویکردهای هوشمند در لجستیک شهری را دوچندان کرده است. این پژوهش یک مدل نوآورانه مبتنی بر یادگیری تقویتی عمیق DQN ارائه می‌دهد که با ادغام کلان‌داده و اطلاعات زمان‌واقعی، مسیرهای تحویل را در محیط‌های پویا به‌صورت تطبیقی بهینه‌سازی می‌کند. مدل پیشنهادی در یک محیط شهری شبیه‌سازی‌شده شامل ۱۲ منطقه، ۱۲۰ مشتری، ۴ انبار و ۱۰ وسیله نقلیه ارزیابی شده است. نتایج تجربی نشان می‌دهد که الگوریتم DQN نسبت به روش‌های سنتی به‌طور قابل‌ملاحظه‌ای بهتر عمل می‌کند؛ به‌طوری که زمان تحویل تا ۳۵٪، مصرف سوخت تا ۳۳٪ و انتشار CO₂ تا ۵۵٪ کاهش یافته و هم‌زمان، نرخ تحویل به‌موقع به ۹۲٪ و رضایت مشتری تا ۴۰٪ افزایش یافته است. تحلیل حساسیت نیز نشان می‌دهد که مدل در مواجهه با ترافیک سنگین، افزایش تقاضا و داده‌های ناقص، عملکردی پایدار و قابل اتکا دارد.این پژوهش با ادغام هوش مصنوعی، کلان‌داده و تحلیل سناریوهای آینده‌نگر مبتنی بر GPT، چارچوبی مقیاس‌پذیر برای توسعه لجستیک شهری هوشمند ارائه می‌دهد و می‌تواند به‌عنوان مبنایی برای طراحی سیاست‌های داده‌محور در کلان‌شهرهای در حال توسعه مورد استفاده قرار گیرد.