VRP'nin matematiksel çekirdeği
Vehicle Routing Problem 1959'da Dantzig & Ramser tarafından formüle edildi; NP-hard sınıfta. Pratik varyantlar: CVRP (capacitated), VRPTW (time windows), PDPTW (pickup & delivery), DVRP (dynamic). MILP (Mixed Integer Linear Programming) küçük problemler için exact çözüm verir; gerçek filolar 50+ durak / 10+ araç için metaheuristic gerekir. Google OR-Tools Guided Local Search + Tabu Search sektör standardı; OR Operations Research Conference paperlarının %62'si bu kütüphaneye atıfta bulunuyor.
Generative AI'ın VRP'deki rolü — ne yaptığı, ne yapamadığı
LLM tek başına VRP çözmez — token bazlı planlama optimum garanti vermez. Ancak hibrit mimarilerde 3 yerde değerli: (1) doğal dil constraint girişi ('Pazartesi Beşiktaş hariç', 'Mehmet usta sadece elektrik işi'), (2) ön kümeleme & sezgisel seed (warm-start solution OR-Tools'a verilir), (3) post-hoc açıklama ('bu rotada D müşterisine neden geç gidildi?'). Google DeepMind 'OptiMUS' 2024 makalesi LLM destekli MILP modellemesinin uzman olmayan kullanıcılar için %47 zaman tasarrufu sağladığını gösteriyor.
Benchmark: 200 durak / 15 araç senaryosu
Solomon C1 benchmark + Türkiye gerçek topoloji (İstanbul Avrupa yakası, ortalama trafik). Yöntemler: (a) Manual Excel/Maps plan: toplam 1.420 km, 9.5 saat. (b) Saf OR-Tools (10 dk solve): 1.087 km, 7.2 saat. (c) LLM + OR-Tools hibrit (constraint çıkarma + warm start): 998 km, 6.6 saat. (d) Real-time DVRP (canlı trafik + dinamik yeniden rotalama): 1.040 km, 6.8 saat (ama servis %96, hibrit %91). MIT Trip Optimization Lab 2025 verisi karşılaştırılabilir sonuç gösteriyor — last-mile için hibrit yaklaşım %12-18 iyileşme normal.
Dinamik yeniden rotalama (DVRP) — gerçek dünya kazanımı
Statik plan tek seferlik optimize ederken DVRP yeni sipariş, trafik, müşteri iptali, araç arızasını canlı entegre eder. Apache Kafka + Redis Streams ile event bus mimarisi yaygın. ETA güncellemesi her 60-90 saniyede tüm araçlara dağıtılır. HERE Routing API + Mapbox Matrix API trafik verisi besler. INFORMS Journal on Computing 2024 sayısı dinamik replanning'in son adım servis seviyesini (on-time delivery) %14-22 artırdığını raporluyor.
Last-mile özelinde: 30 dakika teslimat lojistiği
Türkiye'de getir, trendyol go, hepsiburada premium dakikalık teslimat segmenti hızlı VRP çözümüne ihtiyaç duyar. Algorithmic dispatching her saniye ~80-150 emir, 200-400 kurye optimize etmeli. McKinsey Last-Mile 2025 raporu marjı bu kararların %3-5 doğruluk farkına duyarlı buluyor. Mimari: pre-batch (LLM clustering) → dispatching (OR-Tools) → real-time (DVRP) üç katmanlı.
Karbon-bilinçli rotalama
Eco-routing klasik mesafe minimizasyonundan farklı: yokuş, hız değişimi, motor sıcaklığı CO2'yi etkiler. Google Maps eco-routing yıllık 1.2M ton CO2 azaltımı raporladı (2024). Filolarda eco-routing yakıt tüketiminde %6-9 iyileşme sağlar; toplam ROI ile yakıt zammı + CSRD baskısı 2026'da bu özelliği 'nice-to-have'dan 'must-have'a taşıdı. ICCT modelleri elektrikli filoda eco-routing menzil tahmininde %4-7 yanılma payını düşürüyor.
Pratik öneri: hangi yöntem kime?
10 araç altı / sabit rota: manuel + harita yeterli, optimizer üst düzey lüks. 10-50 araç / değişken sipariş: OR-Tools entegrasyonu açık ROI. 50+ araç / dinamik: hibrit (LLM + OR-Tools + DVRP). On-premise vs SaaS: hassas müşteri verisi ve düzenleme baskısı varsa on-prem; çoğu Türk filosu için SaaS daha hızlı. Cold start (yeni filo) için klasik OR-Tools 6 ayda toplanan verisiyle hibrit modele geçilebilir.
Özet çıkarımlar
- Saf OR-Tools yaygın baseline; LLM hibrit %12-18 ek iyileşme veriyor.
- LLM rolü: doğal dil constraint, warm start, post-hoc açıklama — solver değil.
- DVRP gerçek zamanlı yeniden rotalama servis seviyesini %14-22 artırıyor.
- Eco-routing yakıt %6-9, EV menzil tahminini %4-7 iyileştiriyor.
- 10-50 araç ekibi için OR-Tools en hızlı ROI; 50+ için hibrit zorunlu.
Kaynakça
Bu yazı aşağıdaki uluslararası kaynaklardan sentezlenip Türkiye mevzuat bağlamına uyarlanmıştır. Doğrudan çeviri yapılmamıştır.
- Google OR-Tools VRP Documentation. Google AI. https://developers.google.com/optimization/routing (erişim: 2026-05-18)
- OptiMUS: Optimization Modeling Using LLMs. Google DeepMind / arXiv 2402.10172. https://arxiv.org/abs/2402.10172 (erişim: 2026-05-18)
- Solomon VRPTW Benchmark Problems. M. Solomon (Northeastern University). http://web.cba.neu.edu/~msolomon/problems.htm (erişim: 2026-05-18)
- Last-Mile Delivery Optimization 2025. McKinsey & Company. https://www.mckinsey.com/industries/logistics/our-insights (erişim: 2026-05-18)
- Eco-friendly Routing on Google Maps Impact Report. Google Sustainability. https://sustainability.google/ (erişim: 2026-05-18)