Задача прикладного IT-содержания:

"Оптимизация логистики доставки лекарств в отдалённые населённые

пункты Приморья с использованием ИИ"

Контекст:

Вы — IT-стажёр в команде разработчиков "Дальневосточного центра цифровизации

здравоохранения" (Владивосток). В Приморском крае остро стоит проблема доставки

медикаментов в труднодоступные сёла (например, Тернейский район, где дороги часто

размывает муссонами). Требуется создать прототип системы, которая оптимизирует

маршруты с учётом погодных условий, состояния дорог и срочности грузов, используя

открытые данные и технологии искусственного интеллекта.

Задача:

Разработать алгоритм, который:

1.

Рассчитывает

оптимальные

маршруты

для

медицинских

фургонов,

минимизируя время доставки.

2.

Учитывает в реальном времени:

o

Прогноз погоды (тайфуны, осадки)

o

Данные о пробках и ремонтах дорог

o

Категории срочности грузов (жизненно важные, хронические, вакцины)

3.

Визуализирует маршруты на карте Приморского края.

Источники данных (открытые):



Погода: Примгидромет



Дороги: Яндекс.Карты API



Геоданные: OpenStreetMap

Варианты решений:

1.

Графовые алгоритмы + ИИ:

o

Построить граф дорожной сети Приморья

o

Применить модифицированный алгоритм Дейкстры с динамическими

весами (погода, пробки)

o

Интеграция прогноза через LSTM-нейросеть

2.

Генетические алгоритмы:

o

Кодирование маршрутов как хромосом

o

Фитнес-функция: время × срочность × риск задержки

3.

Reinforcement Learning:

o

Обучение агента в симуляторе дорожных условий

o

Награда за своевременную доставку

Прототип решения (Python):

python

Copy

Download

import requests

import folium

import numpy as np

from sklearn.neural_network import MLPRegressor

# Параметры для Приморья (пример)

cities = {

"Владивосток": (43.12, 131.90),

"Терней": (45.05, 136.61),

"Кавалерово": (44.27, 135.06),

"Дальнегорск": (44.56, 135.62)

}

# Получение данных погоды (упрощённо)

def get_weather_risk(lat, lon):

# API Примгидромета (мокдата)

precipitation = np.random.uniform(0, 20) # мм осадков

wind = np.random.uniform(0, 30) # м/с

return 0.7 * (precipitation/20) + 0.3 * (wind/30)

# ИИ-модель для прогноза задержек

model = MLPRegressor(hidden_layer_sizes=(50,))

X_train = np.array([[0.1, 0.5], [0.8, 0.2]]) # [риск_погоды, трафик]

y_train = np.array([0.3, 0.05]) # коэффициент задержки

model.fit(X_train, y_train)

# Расчёт маршрута с учётом рисков

def optimize_route(start, end, urgency):

base_time = 2.5 # базовое время в часах (Владивосток-Терней)

weather_risk = get_weather_risk(*cities[end])

traffic = 0.4 # данные из Яндекс.Пробки

delay = model.predict([[weather_risk, traffic]])[0]

total_time = base_time * (1 + delay) * (1.5 - urgency) # учёт срочности

# Визуализация

m = folium.Map(location=[43.12, 133.0], zoom_start=8)

folium.PolyLine(

locations=[cities[start], cities[end]],

tooltip=f"Время: {total_time:.1f} ч",

color='red' if urgency > 0.8 else 'green'

).add_to(m)

return m

# Пример вызова: доставка вакцин (срочность=1.0)

optimize_route("Владивосток", "Терней", urgency=1.0).save('map.html')

Результат:

Интерактивная карта с маршрутом, где:



Красная линия = критически важный груз



Зелёная = стандартная доставка



Поп-ап показывает расчётное время с учётом рисков

Нестандартные подходы:

1.

Использование квантовых алгоритмов:

o

Квантовое отжигание (D-Wave) для решения TSP-задачи

o

Пример: расчет 100 маршрутов за 0.5 сек вместо 10 мин классическими

методами.

2.

Спутниковый мониторинг дорог:

o

Анализ снимков Sentinel-2 для обнаружения размытых дорог

o

Сегментация повреждений через U-Net нейросеть

3.

Web3-решение:

o

Смарт-контракт (Solidity) для автоматических выплат водителям при ранней

доставке

o

Данные о доставке хранятся в IPFS

Почему это профориентационно:



Знакомство с ИИ, геоаналитикой и Web3



Решение реальной проблемы региона



Возможность доработать проект для всероссийских конкурсов (например,

"Большие вызовы")

Примечание:

Для упрощения в прототипе использованы мок-данные, но в

реальном решении интегрируются API транспортных сервисов и региональные геоданные.

Ученики могут расширить проект, добавив дашборд на Dash/Plotly или мобильное

приложение с трекингом.