Порівняльний аналіз метаевристичних алгоритмів оптимізації маршрутів аграрної техніки в середовищі MATLAB

Abstract

UA: У роботі запропоновано підходи до вирішення задачі оптимізації логістичних маршрутів аграрної техніки в системах точного землеробства. Сформульовано математичну модель маршрутизації, що враховує координати точок виконання агротехнічних операцій, геометрію поля, наявність перешкод та техніко-експлуатаційні параметри машин. Виконано програмну реалізацію та порівняльний аналіз трьох метаевристичних алгоритмів: генетичного алгоритму (Genetic Algorithm, GA), методу імітації відпалу (Simulated Annealing, SA) та алгоритму мурашиної колонії (Ant Colony Optimization, ACO) у середовищі MATLAB. На основі серії чисельних експериментів оцінено ефективність обраних підходів за критеріями мінімізації довжини маршруту, швидкості збіжності, стійкості результатів та часових витрат на обчислення. Доведено, що алгоритм ACO забезпечує найвищу якість оптимізації, тоді як метод SA характеризується максимальною швидкістю обробки даних. Отримані результати свідчать про високу ефективність застосування метаевристичних алгоритмів для автоматизації аграрної логістики та цифрової трансформації землеробства. /// EN: The paper substantiates methods for solving the logistics routing problem for agricultural machinery within precision farming systems. A mathematical routing model was formulated, integrating field geometry, obstacle locations, operation points, and technical specifications of the machinery. The study provides a comparative performance analysis of three metaheuristic algorithms - Genetic Algorithm (GA), Simulated Annealing (SA), and Ant Colony Optimization (ACO) — implemented in the MATLAB environment. Based on a series of numerical experiments, the efficiency of these algorithms was evaluated in terms of route length minimization, convergence rate, stability, and computational complexity. The findings establish that ACO delivers superior optimization quality, while SA ensures the fastest execution time. The results demonstrate the feasibility of integrating metaheuristic algorithms into agricultural logistics and digital farming frameworks.