การประยุกต์ใช้วิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอน ในการแก้ปัญหาการจัดเส้นทางการขนส่ง
คำสำคัญ:
ปัญหาการจัดเส้นทางการขนส่ง, วิธีการค้นหาคำตอบที่เหมาะสมบนพื้นฐานการสอนและการเรียนรู้, เมต้าฮิวริสติกส์บทคัดย่อ
การเพิ่มประสิทธิภาพของวิธีเมต้าฮิวริสติกส์สามารถดำเนินการได้หลายแนวทาง โดยหนึ่งในแนวทางสำคัญที่นิยมใช้คือการกำหนดค่าพารามิเตอร์ที่เหมาะสม วิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอน เป็นวิธีเมต้าฮิวริสติกส์ที่มีพารามิเตอร์หลักเพียงสองตัว ดังนั้น การกำหนดค่าพารามิเตอร์ดังกล่าวให้เหมาะสมจึงมีความสำคัญอย่างยิ่งต่อคุณภาพของคำตอบและประสิทธิภาพของกระบวนการค้นหา
บทความนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาแอปพลิเคชันโดยประยุกต์ใช้วิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอนสำหรับการแก้ปัญหาการจัดเส้นทางการขนส่ง และ 2) สืบหารูปแบบการตั้งค่าพารามิเตอร์ที่เหมาะสมของวิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอนสำหรับการแก้ปัญหาการจัดเส้นทางการขนส่ง กระบวนการวิจัยเริ่มจากการพัฒนาแอปพลิเคชันที่ประยุกต์ใช้วิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอนสำหรับการแก้ปัญหาการจัดเส้นทางการขนส่ง และดำเนินการออกแบบการทดลองเพื่อวิเคราะห์ผลการทำงานของวิธีการ โดยใช้ชุดปัญหาเทียบเคียงจำนวน 5 ขนาด เพื่อกำหนดค่าพารามิเตอร์ที่เหมาะสม
ผลการวิจัยพบว่าแอปพลิเคชันที่พัฒนาขึ้นสามารถประยุกต์ใช้วิธีการหาค่าเหมาะที่สุดแบบอาศัยการเรียนรู้จากการสอนในการแก้ปัญหาการจัดเส้นทางการขนส่งได้อย่างมีประสิทธิภาพด้วยรูปแบบการตั้งค่าที่เหมาะสมที่สุดที่ได้จากการวิเคราะห์ผลการทดลองทางสถิติ นอกจากนี้ แอปพลิเคชันยังสามารถรองรับโจทย์ปัญหาที่มีขนาดแตกต่างกันได้ ซึ่งพิสูจน์ได้ว่าวิธีการแก้ไขปัญาดังกล่าวสามารถประยุกต์สร้างเครื่องมือแก้ไขปัญหาการจัดเส้นทางขนส่งได้
เอกสารอ้างอิง
Chakraa, H., Guérin, F., Leclercq, E., & Lefebvre, D. (2023). Optimization techniques for multi-robot task allocation problems: Review on the state of the art. Robotics and Autonomous Systems, 168, 104492. Doi: 10.1016/j.robot.2023.104492
Chansombat, S., Musikapun, P., Pongcharoen, P., & Hicks, C. (2019). A hybrid discrete bat algorithm with krill herd-based advanced planning and scheduling tool for the capital goods industry. International Journal of Production Research, 57(21), 6705–6726. Doi: 10.1080/00207543.2018.1471240
Djihane, M., Abdelkrim, H., & Dhiya Eddine, C. (2026). UAV association and beam planning in NTN-assisted 5G networks: A TLBO framework. Physical Communication, 74, 102969. Doi: 10.1016/j.phycom.2025.102969
Konstantakopoulos, G. D., Gayialis, S. P., & Kechagias, E. P. (2022). Vehicle routing problem and related algorithms for logistics distribution: A literature review and classification. Operational Research, 22(3), 2033–2062. Doi: 10.1007/s12351-020-00600-7
Krishnamurthy, N. K., Sabhahit, J. N., Jadoun, V. K., Gaonkar, D. N., Shrivastava, A., Rao, V. S., & Kudva, G. (2023). Optimal placement and sizing of electric vehicle charging infrastructure in a grid-tied DC microgrid using modified TLBO method. Energies, 16(4), 1781. Doi: 10.3390/en16041781
Kuntasup, M., Pongcharoen, P., & Thepphakorn, T. (2025). Moth flame optimisation based timetabling tool for educational course timetabling. International Journal of Innovation and Learning, 38(3), 282–300. Doi: 10.1504/IJIL.2025.148422
Lakkamraju, V., Tewari, N., Panigrahi, G. R., Nayak, S. K., Kulkarni, A., & Mortazavi, M. Z. (2026). Utilizing artificial intelligence for solving many-objective construction time–cost–quality–safety risk trade-off optimization problems. Asian Journal of Civil Engineering, 27(7), 3565–3575. Doi: 10.1007/s42107-026-01683-x
Mehroliya, S., & Arya, A. (2024). Distributed generator and capacitor-embedded reconfiguration in three-phase unbalanced distribution systems using teaching–learning-based optimization. Computer Applications in Engineering Education, 32(1), e22689. Doi: 10.1002/cae.22689
Mohammed, M. A., Abd Ghani, M. K., Hamed, R. I., Mostafa, S. A., Ahmad, M. S., & Ibrahim, D. A. (2017). Solving vehicle routing problem by using improved genetic algorithm for optimal solution. Journal of Computational Science, 21, 255–262. Doi: 10.1016/j.jocs.2017.04.003
Niracha, B. (2024). Modified marine predators algorithms for solving capacitated vehicle routing problem: A case study of an LED company (Master’s thesis). Naresuan University, Phitsanulok.
Rao, R. V., Savsani, V. J., & Vakharia, D. P. (2011). Teaching–learning-based optimization: A novel method for constrained mechanical design optimization problems. Computer-Aided Design, 43(3), 303–315. Doi: 10.1016/j.cad.2010.12.015
Roy, S., Van Deursen, A., & Hermans, F. (2019). Perceived relevance of automatic code inspection in end-user development: A study on VBA. In Proceedings of the Evaluation and Assessment in Software Engineering Conference (pp. 167–176). New York, NY: ACM. Doi: 10.1145/3319008.3319028
Sooncharoen, S., Pongcharoen, P., & Hicks, C. (2020). Grey wolf production scheduling for the capital goods industry. Applied Soft Computing, 94, 106480. Doi: 10.1016/j.asoc.2020.106480
Stamadianos, T., Taxidou, A., Marinaki, M., & Marinakis, Y. (2024). Swarm intelligence and nature-inspired algorithms for solving vehicle routing problems: A survey. Operational Research, 24(3), 47. Doi: 10.1007/s12351-024-00862-5
Sun, X., Dai, X., Pan, S., Bao, N., Liu, N., & Shi, X. (2022). A discrete teaching–learning-based optimization algorithm for the green vehicle routing problem. In 2021 IEEE 23rd International Conference on High Performance Computing and Communications, 7th International Conference on Data Science and Systems, 19th International Conference on Smart City, and 7th International Conference on Dependability in Sensor, Cloud and Big Data Systems and Applications (pp. 1552–1557). IEEE.
Thepphakorn, T., & Pongcharoen, P. (2023). Modified and hybridised bi-objective firefly algorithms for university course scheduling. Soft Computing, 27(14), 9735–9772. Doi: 10.1007/s00500-022-07810-5
Trachanatzi, D., Rigakis, M., Marinaki, M., & Marinakis, Y. (2024). A teaching–learning-based optimization algorithm for the environmental prize-collecting vehicle routing problem. Energy Systems, 15(4), 1429–1456. Doi: 10.1007/s12667-021-00477-1
Ullah, W., Mu’tasim, M. A. N., & Rashid, M. F. F. (2024). Optimization of cost-based hybrid flowshop scheduling using teaching–learning-based optimization algorithm. International Journal of Automotive and Mechanical Engineering, 21(3), 11616–11628. Doi: 10.15282/ijame.21.3.2024.13.0896
Valdez, F., Melin, P., & Castillo, O. (2014). A survey on nature-inspired optimization algorithms with fuzzy logic for dynamic parameter adaptation. Expert Systems with Applications, 41(14), 6459–6466. Doi: 10.1016/j.eswa.2014.04.015
Venkata Rao, R. (2016). Review of applications of TLBO algorithm and a tutorial for beginners to solve the unconstrained and constrained optimization problems. Decision Science Letters, 5(1), 1–30. Doi: 10.5267/j.dsl.2015.9.003
Vitayasak, S., & Pongcharoen, P. (2020). Cooperative designing of machine layout using teaching–learning-based optimisation and its modifications. In Y. Luo (Ed.), Cooperative design, visualization, and engineering (Lecture Notes in Computer Science, Vol. 12341, pp. 137–147). Cham, Switzerland: Springer. Doi: 10.1007/978-3-030-60816-3_16
Wareepitak, K., Sooncharoen, S., Pongcharoen, P., & Hicks, C. (2026). A modified and hybrid-based optimization tool for solving multi-row, non-identical machine layout problems in multiple-product job shop production environments. The International Journal of Advanced Manufacturing Technology. Advance online publication. Doi: 10.1007/s00170-026-18242-y
Zahedi, F., Kia, H., & Khalilzadeh, M. (2023). A hybrid metaheuristic approach for solving a bi-objective capacitated electric vehicle routing problem with time windows and partial recharging. Journal of Advances in Management Research, 20(4), 695–729. Doi: 10.1108/JAMR-01-2023-0007
