HDRA: An Hybrid Divine Religion Algorithm Integrating Ant Colony Optimization and Memetic Search for Sustainable Electric Vehicle Routing in Smart Cities

In het bruisende hart van moderne steden vindt een stille revolutie plaats op de straten. Elektrische voertuigen vervangen traditionele benzinegestuurde vrachtwagens en bestelwagens, met de belofte van een toekomst met schonere lucht en minder lawaai. Het beheren van een vloot van deze elektrische voertuigen is echter een puzzel die veel complexer is dan het besturen van een enkele auto. In tegen tegenstelling tot een benzineauto die binnen enkele minuten bij elk station kan bijtanken, moet een elektrisch voertuig zijn reis zorgvuldig plannen om ervoor te zorgen dat het genoeg batterijvermogen heeft om de bestemming te bereiken en terug te keren naar het depot. Het moet ook beslissen wanneer en waar het moet stoppen om op te laden, waarbij de tijd die wordt besteed aan opladen wordt afgewogen tegen de kosten van de elektriciteit en de urgentie van de leveringen. Deze uitdaging, bekend als het elektrische voertuig-routeringsprobleem, is een enorme wiskundige hoofdpijn voor stadsplanners en logistieke bedrijven. Als de routes niet perfect worden gepland, kunnen voertuigen zonder stroom komen te zitten, zullen leveringen te laat zijn en zullen de beloofde milieuvoordelen verloren gaan aan inefficiëntie. Het vinden van de best mogelijke route tussen miljoenen opties is een taak die zo moeilijk is dat zelfs de krachtigste computers moeite hebben om het snel op te lossen.

Om dit probleem aan te pakken, heeft een team onderzoekers van universiteiten in Iran een nieuw computerprogramma ontwikkeld dat is ontworpen om de meest efficiënte paden voor elektrische voertuigen te vinden. Ze noemen hun creatie het Hybrid Divine Religion Algorithm, een naam die misschien ongebruikelijk klinkt maar een methode beschrijft die nabootst hoe mensen in een gemeenschap met elkaar interageren en van elkaar leren. De onderzoekers combineerden dit sociale leermodel met twee andere bewezen strategieën: één die simuleert hoe mieren voedsel vinden door geursporen achter te laten, en een andere die werkt als een lokale gids, die een oplossing verfijnt door kleine, zorgvuldige aanpassingen te maken. Door deze drie benaderingen met elkaar te verweven, creëerde het team een systeem dat een uitgestrekt landschap van mogelijke routes kan verkennen zonder vast te lopen in doodlopende wegen, terwijl het ook diep in de meest veelbelovende gebieden graaft om het absolute beste pad te vinden.

De onderzoekers testten hun nieuwe systeem tegen drie andere bekende methoden die worden gebruikt om soortgelijke problemen op te lossen. Ze voerden simulaties uit op vijfendertig verschillende scenario's, variërend van kleine leveringen met slechts een paar klanten tot grootschalige operaties waarbij tientallen voertuigen en veel stops betrokken zijn. In elke test vond het nieuwe hybride systeem consequent routes die goedkoper en efficiënter waren dan de anderen. Gemiddeld verminderde het de totale kosten van de routes met ongeveer 12 procent vergeleken met een van de oudere methoden, en met ongeveer 7 tot 11 procent vergeleken met de anderen. Dit lijkt misschien een klein getal, maar in de wereld van de logistiek, waar bedrijven dagelijks duizenden pakketten verplaatsen, vertaalt een besparing van zelfs een klein percentage in kosten zich in aanzienlijke besparingen in geld, tijd en energie. Het systeem bereikte deze resultaten door twee concurrerende behoeften in balans te brengen: het verkennen van nieuwe, ongeteste routes om te zien of deze beter zijn, en het exploiteren van de beste routes die het al heeft gevonden om deze nog efficiënter te maken.

Wat deze nieuwe aanpak bijzonder slim maakt, is hoe het de informatiestroom afhandelt. Stel je een groep reizigers voor die de kortste weg door een dicht bos probeert te vinden. Sommige reizigers gedragen zich als mieren en laten markeringen op de grond achter om anderen te laten zien welke paden goed zijn. Anderen gedragen zich als leden van een gemeenschap, waarbij de meest succesvolle reizigers hun specifieke kennis delen met de rest van de groep, waardoor iedereen tegelijkertijd zijn reis kan verbeteren. Het systeem van de onderzoekers gebruikt deze mix van delen en zoeken om de valstrik te vermijden waarbij computerprogramma's vastlopen in een lokaal optimum—een route die goed lijkt, maar eigenlijk ver verwijderd is van de best mogelijke oplossing. Door voortdurend zijn kennis te verversen en verschillende delen van het systeem elkaar te laten leren, blijft het algoritme vooruitgaan en vindt het oplossingen die niet alleen goed zijn, maar opmerkelijk dicht bij perfect.

De studie keek ook naar hoe stabiel en betrouwbaar het systeem is. Wanneer de onderzoekers hetzelfde probleem meerdere keren uitvoerden, produceerde het nieuwe algoritme telkens zeer vergelijkbare resultaten, wat aantoont dat het niet alleen geluk heeft, maar consistent effectief is. Het presteerde goed, ongeacht of het probleem klein of groot was, hoewel het enkele uitdagingen ondervond bij de zeer grootste scenario's, wat te verwachten is gezien de enorme complexiteit van die taken. De onderzoekers merkten op dat andere methoden soms sneller waren, maar vaak genoegen namen met routes die niet zo efficiënt waren. In contrast hiermee nam dit nieuwe systeem iets meer tijd om na te denken, maar leverde het een veel beter eindplan. Deze afweging is vaak het waard voor bedrijven die tegelijkertijd hun ecologische voetafdruk en operationele kosten willen minimaliseren.

Uiteindelijk biedt het werk gepresenteerd in dit artikel een krachtig nieuw instrument voor het bouwen van slimmere, groenere steden. Door te verbeteren hoe elektrische voertuigen worden gerouteerd, kunnen steden de totale afgelegde afstand verminderen, wat direct leidt tot een lager energieverbruik en lagere emissies. De onderzoekers suggereren dat hun methode als een beslissingsondersteunende tool kan dienen voor stadsplanners en logistiek managers, om hen te helpen bij het ontwerpen van transportnetwerken die zowel efficiënt als duurzaam zijn. Hoewel de studie werd uitgevoerd via computersimulaties in plaats van praktijktests op de weg, zijn de resultaten robuust en statistisch significant, wat een sterk fundament biedt voor toekomstige toepassingen. Naarmate elektrische voertuigen gebruikelijker worden, zullen algoritmen zoals deze essentieel zijn om ervoor te zorgen dat de overgang naar groen transport niet alleen een belofte is, maar een praktische realiteit die elke dag soepel verloopt.