Оптимизация маршрутов в логистике: что это, как работает, методы

Диспетчер берёт карту города, распечатанную на A3. Маркером закрашивает улицы, подписывает адреса, вычёркивает те, что уже распределены. Через час у него готов план на 8 машин — он потратил на это 60 минут рабочего времени, сделал несколько ошибок и не знает, оптимален ли результат. Завтра всё повторится.

Алгоритм берёт те же 200 заявок, 12 машин, данные о пробках на следующий день, временны́е окна каждого клиента и грузоподъёмность каждого автомобиля. Через 30 секунд выдаёт распределение, при котором общий пробег парка на 22% меньше, чем если бы диспетчер работал весь день. Каждый день — снова за 30 секунд.

Разница не в уме — опытный диспетчер знает город лучше любой программы. Он помнит, что двор на Ленинском закрыт по вторникам, а клиент с улицы Садовой всегда задерживает водителя на 20 минут. Разница в вычислительных возможностях: человек не может одновременно удержать в голове 200 адресов, 12 машин с разной загрузкой, 80 временны́х окон и пробки на 300 участках дороги. Задача распределения маршрутов — математически сложная: при 20 точках количество возможных вариантов объезда составляет около 2,4 квинтиллиона. Человеческий мозг не может перебрать даже миллионную долю этих вариантов. Именно здесь включается оптимизация маршрутов.

Оглавление

• Что такое оптимизация маршрутов простыми словами
• Что оптимизируется: критерии
• Классические алгоритмы оптимизации
• Искусственный интеллект в маршрутизации
• Что даёт оптимизация бизнесу
• Ограничения, которые учитывает оптимизатор
• Как выбрать программу-оптимизатор
• Кейсы клиентов
• Часто задаваемые вопросы

Что такое оптимизация маршрутов простыми словами

Оптимизация маршрутов — это нахождение наилучшего порядка объезда точек с учётом заданных критериев. «Наилучшего» означает минимизирующего пробег, время, стоимость или максимизирующего количество точек на транспортное средство, — в зависимости от того, что важнее конкретному бизнесу.

Звучит просто. На деле — одна из самых вычислительно тяжёлых задач прикладной математики.

Возьмём конкретные цифры. Если у вас 5 точек доставки и один автомобиль, возможных маршрутов всего 120. Диспетчер просмотрит их за несколько минут. Добавьте ещё 5 точек — уже 3,6 миллиона вариантов. При 15 точках — 1,3 триллиона. При 20 — 2,4 квинтиллиона, это число с 18 нулями. Ни один человек и ни один суперкомпьютер не перебёрет все варианты за приемлемое время.

Реальный маршрутный лист — это не 20 точек. Это 40–80 адресов на одну машину, умноженные на 10–50 машин в парке, плюс ограничения по времени, весу и специализации транспорта. Задача многократно сложнее.

Оптимизация маршрутов не ищет абсолютно лучший вариант из всех возможных — это невозможно при реальных масштабах. Она ищет вариант, который практически лучше случайного или построенного вручную — быстро и надёжно. Разница между «абсолютным оптимумом» и «достаточно хорошим решением» в логистике обычно составляет 1–3%. При этом хорошее эвристическое решение доступно за секунды, а точный оптимум при 50+ точках недостижим вообще.

Оптимизация маршрутов в логистике — это прежде всего практика. Компания с 15 машинами, которая снижает суммарный пробег на 18%, экономит реальные деньги: топливо, зарплата водителей, амортизация. Не абстрактные «улучшения», а строчки в P&L.

Что оптимизируется: критерии

Оптимизация маршрутов не однозначна: «лучший маршрут» зависит от того, что важно бизнесу. Типичные задачи — мульти-критериальные, то есть нужно одновременно учесть несколько факторов, которые нередко противоречат друг другу.

Общий пробег парка. Классический критерий: сократить суммарный километраж всех машин за день. Меньше пробег — меньше топлива, меньше износ. Но минимизация пробега может потребовать большего числа машин, что увеличивает затраты на водителей.

Суммарное время на маршрутах. Важнее для срочных доставок и e-commerce с узкими временны́ми окнами. Маршрут с минимальным временем не всегда совпадает с маршрутом с минимальным километражом — пробки, скорость на разных участках, время погрузки/разгрузки всё это влияет.

Стоимость рейсов. Комплексный критерий: топливо + зарплата водителя + амортизация ТС. Часто именно он стоит в основе оптимизации у компаний, которые считают юнит-экономику. Грузовик с высоким расходом топлива должен ездить по коротким маршрутам; лёгковой курьер с низким расходом — по длинным. Это учитывается в алгоритмах.

Количество транспортных средств. Минимизация парка — задача для компаний, которые работают с арендованным транспортом или фрилансерами. Чем меньше машин выехало, тем ниже фиксированные затраты на рейс.

Соблюдение SLA и временны́х окон. Клиент принимает товар с 10:00 до 12:00 — опоздание означает возврат и повторный выезд. Соблюдение всех временны́х окон часто важнее минимизации пробега: штраф за просрочку перекрывает экономию на топливе.

Утилизация кузова. Загрузить каждую машину по максимуму — значит сделать меньше рейсов. Оптимизатор учитывает вес и объём каждого заказа, грузоподъёмность и объём кузова каждого ТС, распределяет заказы так, чтобы машины выходили заполненными.

Конфликты между критериями. Минимизация пробега и максимальная загрузка кузова нередко противоречат друг другу: чтобы загрузить машину полностью, иногда нужно объехать больше адресов в менее удобном порядке. Система балансирует эти критерии через весовые коэффициенты — бизнес задаёт, что важнее, и алгоритм ищет компромиссное решение, максимизирующее общий результат.

Классические алгоритмы оптимизации

Без академизма — как это работает на практике.

Задача коммивояжёра (TSP — Travelling Salesman Problem). Основа всей теории маршрутизации. Один продавец, N городов, нужно объехать каждый ровно по одному разу и вернуться в начальную точку, потратив минимум пути. Именно эта задача имеет 2,4 квинтиллиона вариантов при 20 точках. TSP — NP-сложная задача: с ростом количества точек вычислительная сложность растёт быстрее любой полиномиальной функции.

VRP (Vehicle Routing Problem) — обобщение TSP на несколько ТС. Реальная задача логистики: не один продавец, а парк машин. Нужно разбить все точки на маршруты для N машин, минимизировав суммарный пробег. VRP сложнее TSP: добавляются ограничения по грузоподъёмности (CVRP), временны́м окнам (VRPTW), возвратам (VRPB). Решение задачи VRPTW (с временны́ми окнами) для 100+ точек и 20+ машин — серьёзная вычислительная задача даже для современных серверов.

Алгоритм ближайшего соседа. Самый простой эвристический метод. Начинаем с первой точки, идём к ближайшей непосещённой, оттуда — к следующей ближайшей, и так до конца. Работает за секунды даже для тысяч точек. Даёт решение, которое хуже оптимального на 20–25%. Хорош как стартовая точка — быстро строит рабочий маршрут, который потом улучшается другими методами.

Метод 2-opt. Итерационное улучшение готового маршрута. Берём два произвольных ребра маршрута, «разрезаем» их и соединяем иначе — если новый вариант короче, принимаем его. Повторяем до тех пор, пока ни одна пара рёбер не даёт улучшения. 2-opt часто снижает длину маршрута на 10–15% относительно жадного алгоритма. Существуют расширения: 3-opt, Lin-Kernighan — ещё точнее, но медленнее.

Почему точный оптимум невозможен при большом количестве точек. TSP и VRP — NP-сложные задачи. Это не значит «очень трудно» — это строгое математическое утверждение: не существует алгоритма, который гарантированно находит оптимум за полиномиальное время при любом числе точек. На практике: для 15 точек точный оптимум находится за секунды, для 50 — за минуты, для 500 — за часы или дни. А в реальной логистике — 300–500 точек ежедневно, и результат нужен за 30 секунд.

Вот почему все практические оптимизаторы маршрутов используют эвристики — алгоритмы, которые гарантированно дают «достаточно хороший» результат за приемлемое время, но не обещают абсолютного оптимума. Разница между эвристическим решением хорошей системы и теоретическим оптимумом — обычно 2–5%. На 1000 км суммарного пробега это 20–50 км, то есть 2–5 литров топлива. Практически незаметно.

Искусственный интеллект в маршрутизации

Когда компания-разработчик говорит «наша система использует ИИ для составления маршрутов» — что за этим стоит?

Обучение на исторических данных. Классический алгоритм знает, что расстояние от точки А до точки Б по карте — 5 км. Но не знает, что в этом районе всегда пробки в пятницу с 17 до 19, а въезд во двор занимает 8 минут, не 2 минуты, как показывает навигатор. ML-модель, обученная на данных этой конкретной службы доставки, знает реальное время — не картографическое. Это принципиальная разница: вместо расчётного времени 40 минут система планирует 52 минуты, и маршрут выполняется в срок.

Предсказание трафика. Пробки в Москве в понедельник утром отличаются от пятничных. ИИ-модели, обученные на данных дорожного трафика, предсказывают загруженность конкретных участков с точностью 80–85% за горизонт 2–4 часа. Оптимизатор, который строит маршруты утром с учётом предсказанных дневных пробок, стабильно обгоняет по точности систему, которая работает только с текущей картой.

Автоматическая адаптация под паттерны клиентов. Клиент из одного района всегда открывает дверь быстро — 3 минуты обслуживания. Другой клиент требует 15 минут на оформление — всегда. Система обучается на реальных данных и автоматически подставляет правильное время обслуживания для каждого адреса. Это устраняет систематическую ошибку планирования.

Динамическая перепланировка при изменениях. Водитель встал в пробку. Клиент не открыл дверь. Поступил новый срочный заказ в том же районе. Без ИИ диспетчер вручную пересчитывает маршруты. Умная система пересчитывает все маршруты парка за несколько секунд, распределяет новый заказ оптимально, предупреждает клиентов об изменении времени. Это называется динамической маршрутизацией — и она возможна только при высокой скорости вычислений.

Что ИИ в маршрутизации — это не. ИИ не «думает» о маршрутах и не строит логические умозаключения. За словом «ИИ» в маршрутизаторах стоит комбинация: ML-модель для предсказания времён, оптимизационный алгоритм (VRP-решатель) для построения маршрута, правила бизнес-логики для учёта ограничений. Три компонента вместе дают результат, который ни один компонент не дал бы по отдельности.

Когда ИИ даёт наибольший эффект. Машинное обучение наиболее полезно в компаниях с высокой повторяемостью маршрутов: дистрибьюторы с постоянной клиентской базой, регулярные доставки в одни и те же офисы и магазины. Здесь модель быстро обучается на паттернах и даёт точные предсказания уже через 3–4 недели работы. Для разовых или сильно непредсказуемых доставок вклад ML-компонента меньше — там основной эффект всё равно даёт качественный VRP-алгоритм.

Что даёт оптимизация бизнесу

Не «повышает эффективность», а конкретные числа.

Снижение пробега: −15–25%. Среднее значение по реальным внедрениям в России — 18–22% сокращение суммарного километража парка. При среднем расходе топлива 12 л/100 км и стоимости 55 руб./л, экономия на 10 машинах с суточным пробегом 200 км/ТС составляет: 2000 км × 0,20 (экономия 20%) × 12/100 × 55 = 2640 рублей в день, или около 660 000 рублей в год только на топливе.

Рост точек на ТС: +20–30%. Маршрут, построенный вручную, обычно содержит 15–20 адресов на машину. Оптимизированный маршрут с теми же ограничениями — 19–26 адресов. Это означает: либо то же число доставок меньшим парком, либо больше доставок тем же парком без найма новых водителей.

Экономия топлива: −10–20%. Меньше пробег — прямая пропорция расхода. Дополнительный фактор: оптимизированные маршруты содержат меньше левых поворотов, разворотов и заездов по кругу — это снижает расход сверх пропорционального эффекта от сокращения километража.

Снижение нагрузки на диспетчеров: −30–50% времени на планирование. Диспетчер, который тратил 2 часа на ручное составление маршрутов для 15 машин, тратит 20–30 минут на проверку и корректировку автоматически построенных маршрутов. Время высвобождается на работу с клиентами, контроль выполнения, решение нештатных ситуаций.

Рост своевременности доставки (OTD): с 88–90% до 95–97%. Маршруты, построенные с учётом реальных временны́х окон и трафика, выполняются в срок значительно чаще. Каждый процент OTD — это меньше компенсаций клиентам и меньше повторных выездов.

ROI-расчёт для реального бизнеса. Компания: 10 машин, 150 доставок в день, средний пробег 180 км/ТС в день.

• Затраты на топливо до оптимизации: 1800 км × 12/100 × 55 руб. = 11 880 руб./день = 2,97 млн руб./год
• Экономия на топливе при снижении пробега на 20%: 594 000 руб./год
• Экономия на ФОТ диспетчеров (1 диспетчер × 4 часа в день × 250 дней → −50% = 2 часа/день при зарплате 70 000 руб./мес): ~280 000 руб./год
• Итого прямая экономия: ~874 000 руб./год
• Стоимость TMS-системы для 10 машин: 60 000–120 000 руб./год

Окупаемость — меньше 2 месяцев. Это без учёта роста выручки от увеличения числа доставок.

Косвенные эффекты. Помимо прямой экономии, оптимизация даёт конкурентные преимущества, которые сложнее оцифровать. Компания, которая соблюдает временны́е окна в 96% случаев, получает более высокую лояльность клиентов — а в b2b-сегменте это прямо влияет на продление контрактов. Водители, работающие по разумным маршрутам без лишних километров и постоянных переработок, реже увольняются — а стоимость найма и обучения нового водителя составляет от 30 000 до 80 000 рублей. Диспетчеры, освободившиеся от рутины построения маршрутов, занимаются оперативным управлением и работой с клиентами — это повышает качество сервиса без роста штата.

Ограничения, которые учитывает оптимизатор

Хороший оптимизатор маршрутов — это не просто «найти кратчайший путь». Это система ограничений, без учёта которых построенный маршрут невыполним на практике.

Временны́е окна клиентов. Магазин принимает товар с 9:00 до 11:00 и с 15:00 до 17:00. Офис — только после 12:00. Жилой клиент — с 18:00 до 21:00. Оптимизатор обязан учесть все эти окна одновременно при распределении точек по машинам. Задача с временны́ми окнами (VRPTW) значительно сложнее базового VRP — решать её нужно уметь.

Грузоподъёмность и объём кузова. У каждой машины — лимиты по весу (кг) и объёму (куб. м). У каждого заказа — вес и объём. Оптимизатор не может загрузить в ГАЗель 3,5 т товара при грузоподъёмности 1,5 т. Хороший оптимизатор учитывает оба параметра одновременно: даже если по весу машина не перегружена, объём может быть исчерпан раньше.

Рабочее время водителя. Водитель работает 9 часов, из которых 1 час — обед и перерывы. Маршрут не может занимать больше 8 часов с учётом времени погрузки и разгрузки. Система должна планировать маршруты в пределах рабочего дня — иначе водитель не успеет выполнить последние точки.

Специализация транспорта. Холодильник — только для температурных грузов. Газель с бортом — для длинномерных. Легковой автомобиль — для мелких посылок. Заказ с хрупким грузом — не в машину с тяжёлыми коробками сверху. Оптимизатор должен знать тип каждого ТС и требования каждого заказа.

Зоны въезда. Центр Москвы — пропуска МКАД/ТТК/СК. Промышленные территории — пропуска на въезд. Платные парковки и платные дороги — влияют на стоимость маршрута. Система, игнорирующая зоны, будет строить маршруты, которые водитель физически не сможет выполнить или выполнит со штрафами.

Навыки и допуски водителя. Не каждый водитель работает с юридическими лицами, которым нужна подпись документов на месте. Не каждый умеет обращаться с хрупкими грузами или знаком с правилами работы на конкретном складе получателя. Система позволяет привязывать типы заказов к конкретным водителям — автоматически соблюдая это правило при распределении.

Как все ограничения работают вместе. На практике диспетчер не задаёт ограничения по одному — они применяются одновременно. Машина A имеет грузоподъёмность 1 т, специализацию «хрупкий груз», водитель работает до 18:00. Машина Б — грузоподъёмность 3 т, без специализации, водитель работает до 21:00. Заказ с адресом в центре, временно́е окно 19:00–21:00, вес 200 кг, хрупкий — должен быть назначен на машину Б, несмотря на то что машина А ближе к точке. Оптимизатор учитывает все параметры одновременно и никогда не нарушает жёсткие ограничения, даже если это ухудшает итоговый пробег. Именно это отличает промышленный маршрутизатор от простого картографического сервиса.

Как выбрать программу-оптимизатор маршрутов

Рынок систем маршрутизации в России — от Excel-таблиц с макросами до полноценных TMS. Вот что отличает профессиональный инструмент от игрушки.

1. Учёт временны́х окон. Без этого оптимизатор бесполезен для b2b-доставки и e-commerce. Проверьте: система строит маршруты с несколькими временны́ми окнами на одну точку? Правильно обрабатывает ситуации, когда окно невозможно соблюсти? Уведомляет диспетчера?

2. Многоцелевая оптимизация. Можно ли задать приоритеты: сначала минимизировать количество машин, потом — пробег? Учитывает ли система стоимость разных ТС? Есть ли баланс между пробегом и утилизацией?

3. Интеграция с учётными системами. Заказы поступают из 1С, CRM или WMS — система должна принимать их автоматически. Ручной ввод адресов при объёме 100+ доставок в день превращается в узкое место. Интеграция с 1С — базовое требование для большинства российских компаний.

4. Мобильное приложение для водителя. Водитель должен видеть маршрут на смартфоне, отмечать выполнение, фотографировать документы. Приложение для водителей на Android — обязательно: именно Android доминирует в корпоративном парке устройств в России. Важно: водитель должен видеть только свой маршрут, не маршруты коллег.

5. Real-time мониторинг. Диспетчер видит все машины на карте. Видит отклонения от маршрута. Может перераспределить точки между водителями в реальном времени. Без мониторинга оптимизатор — это просто план, а не управление.

6. API для интеграции. Если у вас собственная система заказов или CRM — нужен API для автоматической передачи заявок. Проверьте: есть ли документация? Webhook на обновление статусов? Возможность получить готовые маршруты в виде JSON?

7. Скорость расчёта. 200 точек, 15 машин — сколько секунд строится маршрут? Приемлемо — до 60 секунд. Если система думает 5–10 минут, диспетчер не будет ею пользоваться.

8. Модель оплаты и стоимость. Рублёвая подписка per ТС в месяц — стандарт для российского рынка. Уточните: входит ли историческое хранение данных? Какой лимит заявок? Есть ли тарификация за API-запросы?

Посмотрите облачный оптимизатор маршрутов logistic.tools — он закрывает все 8 пунктов, разработан для российских условий, поддерживает интеграцию с 1С и работает на Android-устройствах водителей. Реальные результаты оптимизации у клиентов можно изучить в разделе кейсов. Для компаний из дистрибуции — отдельный материал про оптимизацию маршрутов для дистрибьютора.

Кейсы клиентов

Кейс 1. Дистрибьютор питьевой воды, 12 ТС.

Компания доставляла бутилированную воду в офисы Москвы. До внедрения: 12 газелей, суммарный пробег 2400 км в день, диспетчер тратил 2,5 часа на ежедневное планирование. Маршруты строились вручную — опытный диспетчер знал район, но не мог учесть загрузку кузова и временны́е окна одновременно.

После внедрения оптимизатора: суммарный пробег снизился до 1900 км в день — минус 500 км, или −21%. Расход топлива на парк сократился с 288 л/день до 228 л/день. При цене 55 руб./л экономия составила 3300 рублей ежедневно, то есть около 825 000 рублей за рабочий год. Время планирования — 20 минут вместо 2,5 часов. Дополнительный эффект: количество точек на машину выросло с 22 до 26 — компания смогла принять новых клиентов без расширения парка.

Кейс 2. Курьерская служба доставки, 20 ТС.

Служба работала с интернет-магазинами в двух городах. Проблема: пиковые дни (пятница, предпраздничные даты) — диспетчеры не справлялись с ручным распределением, машины выезжали неполными, часть заявок переносилась на следующий день. Клиенты жаловались на задержки; интернет-магазины ставили под вопрос продление контрактов.

После внедрения: среднее количество точек на ТС выросло с 28 до 36 — прирост 28%. Те же 20 машин стали выполнять на 160 доставок больше в день без найма дополнительных водителей. В пиковые дни система автоматически перераспределяла новые заявки на машины с незаполненным маршрутом — диспетчер только подтверждал изменения. OTD (доля своевременных доставок) выросла с 89% до 96%. Жалобы клиентов на опоздания сократились втрое за первые два месяца работы.

Часто задаваемые вопросы

Оптимизация маршрутов — что это простыми словами?

Оптимизация маршрутов — это автоматический расчёт наилучшего порядка объезда точек доставки с учётом ограничений: временны́х окон клиентов, загрузки машин, рабочего времени водителей и трафика. Алгоритм за секунды строит маршрут, который человек-диспетчер не смог бы составить за несколько часов — потому что возможных вариантов при 20+ точках больше, чем атомов в наблюдаемой вселенной.

Что такое оптимизация в логистике?

В широком смысле оптимизация в логистике — это снижение затрат и повышение скорости при сохранении или улучшении качества обслуживания. Оптимизация маршрутов — один из ключевых инструментов: она влияет напрямую на расходы топлива, зарплату водителей, количество доставок в день и процент своевременного выполнения (OTD).

Что такое оптимальный маршрут?

Оптимальный маршрут — это порядок объезда точек, при котором достигается наилучшее значение выбранного критерия: минимальный пробег, минимальное время, минимальная стоимость или максимальное число точек. Строго говоря, «абсолютно оптимальный» маршрут при большом количестве точек найти невозможно — существующие алгоритмы дают решение, которое на 2–5% хуже теоретического оптимума, но за секунды, а не за дни.

Методы оптимизации маршрутов — что это?

Основные методы: алгоритм ближайшего соседа (быстрый, даёт стартовое решение), метод 2-opt (итерационное улучшение готового маршрута), метаэвристики — генетические алгоритмы, имитация отжига, алгоритмы муравьиной колонии. Все они относятся к классу эвристических методов решения задачи VRP (Vehicle Routing Problem) и её расширений с ограничениями по времени и грузоподъёмности.

Как ИИ составляет маршруты?

ИИ в маршрутизаторах — это несколько технологий вместе. ML-модель, обученная на исторических данных компании, предсказывает реальное время на каждом участке маршрута — с учётом пробок по дням недели и времени суток, типичного времени обслуживания у каждого клиента. Эти предсказания подаются в VRP-алгоритм, который строит распределение маршрутов. Система непрерывно обновляет модели по мере накопления новых данных, становясь точнее с каждой неделей работы.