電気自動車の物流革命：次世代アルゴリズムが航続距離の壁を打破
物流の世界に静かな革命が起きている。その舞台は、日々の生活を支える宅配便や都市内輸送の現場。しかし、その主役は煌びやかな新型EVでも、大規模な充電インフラでもない。それは、一見すると地味な「アルゴリズム」だ。中国・安徽大学人工知能学院の王朝（オウ・チョウ）、秦芳（チン・ホウ）、劉蓉蓉（リュウ・ヨウヨウ）、江浩（コウ・コウ）らの研究チームが開発した「二重集団協同進化アルゴリズム（COEA）」は、電気自動車（EV）の普及における最大の課題の一つ——「航続距離の不安と効率的なルート計画の両立」——を、ソフトウェアの力で解決する画期的な技術である。
EVの導入は、都市の空気を浄化し、二酸化炭素排出量を削減するための鍵となる。しかし、物流業界にとって、EVの導入は単なる車両の入れ替え以上の意味を持つ。従来のディーゼルトラックとは異なり、EVは「容量制約」と「電力制約」という二つの厳しい枷に縛られる。つまり、積載量の上限を超えないように荷物を配分するだけでなく、バッテリーの残量が尽きる前に、適切なタイミングと場所で充電を行うルートを設計しなければならない。この二つの最適化問題が絡み合うことで、その計算量は爆発的に増大し、最適なルートを見つけることは、いわゆる「NP困難」問題と呼ばれる極めて複雑な課題となる。従来のルート最適化ソフトウェアでは、大規模な配送網を扱う際、最適解を見つけるのに数時間、あるいはそれ以上の時間がかかることも珍しくなく、実用的な運用には不向きだった。
これまでの研究は、主に二つの方向に分かれていた。一つは、数学的に厳密な最適解を求める「正確なアルゴリズム」だが、計算時間が問題の規模に比例して指数関数的に増大するため、小規模な問題にしか適用できなかった。もう一つは、「ヒューリスティックアルゴリズム」や「メタヒューリスティックアルゴリズム」と呼ばれる近似解法で、有限の時間内に「良い解」を探索するものだ。代表的なものに、模擬焼きなまし法やタブー探索法、そして近年注目を集める「進化アルゴリズム」がある。進化アルゴリズムは、生物の進化を模倣し、複数のルート案（個体）からなる「集団」を作り、それらを「選択」「交叉」「突然変異」といった進化のプロセスを経て、世代を重ねるごとにより良い解へと進化させていく。この方法は、局所的な最適解に陥りにくいという利点がある。
しかし、EVのルート最適化という特殊な問題において、既存の進化アルゴリズムも限界に直面していた。多くのアプローチは、ルートと充電の両方を同時に最適化しようとするが、その探索空間が広大すぎて、効率的に探索することが困難だった。あるいは、ルート決定と充電計画を別々の段階で行う「二段階最適化」を採用するものもあったが、これでは二つの問題が密接に絡み合っている現実を無視しており、真の最適解を見逃す可能性が高い。
安徽大学の研究チームは、このジレンマを「問題の分離と協調」によって解決した。彼らのCOEAの核となるアイデアは、驚くほどシンプルで、しかし極めて洗練されている。複雑なEVルート問題（EVRP）を直接解こうとするのではなく、まず、その問題から「電力制約」を取り除いた、より単純な「容量付き車両ルート問題（CVRP）」を別に設ける。このCVRPは、従来のトラックのルート計画と同じで、計算がはるかに容易であり、高速で高品質な解を見つけることができる。
ここで鍵となるのは、この「簡単な問題（CVRP）」と「複雑な問題（EVRP）」の間の「知識の橋渡し」である。単にCVRPの結果をEVRPに流し込むだけでは、バッテリー切れのリスクが生じる。そこで研究チームは、二つの革新的な技術を導入した。
第一に、彼らはルートの情報をより豊かに表現する「改良型距離隣接行列」を考案した。従来のアルゴリズムは、ルートを単なる「1→3→5→0（倉庫）」のような数字の列として扱う。これでは、どの車両がどの顧客を担当しているか、といった重要な構造情報が失われてしまう。改良型距離隣接行列は、顧客間の物理的な距離に加え、「相対距離」という概念を導入する。同じ車両が担当する顧客間の距離は意図的に短く（α倍）、異なる車両の顧客間の距離は大きく（β倍）設定する。これにより、行列の一つのデータ構造の中に、「顧客の訪問順序」と「車両への割り当て」という二つの重要な情報を同時に埋め込むことが可能になった。この行列は、ルートの「DNA」のようなものであり、アルゴリズムがルートの本質的な構造を学習しやすくなる。
第二に、そして最も革新的なのは、「ノイズ除去オートエンコーダ（DAE）」という機械学習技術の応用である。DAEは、入力されたデータに意図的にノイズを加えてから、それを元の状態に復元するように学習する神経ネットワークの一種だ。この学習プロセスを通じて、データの本質的な特徴を抽出する能力を持つ。研究チームは、このDAEを「翻訳機」として使った。CVRPの優れたルート（改良型距離隣接行列で表現）を入力として、EVRPの適切なルート（これも同じ行列で表現）を出力として学習させる。つまり、DAEは「電力制約がない世界での最適なルート」と「電力制約がある世界での最適なルート」の間の変換ルールを、膨大なデータから自動的に学習するのだ。
COEAの全体像は、二つの集団が互いに協力しながら進化する双子の生命体のようだ。一方の集団はEVRPを、もう一方はCVRPを最適化している。定期的に、CVRP集団の優れた解が、DAEによって「翻訳」され、EVRP集団に「移住」する。これにより、EVRP集団は、効率的な顧客の集約パターンという「知恵」を、自らの探索から得るよりもはるかに速く手に入れることができる。逆に、EVRP集団の優れた解も、CVRP集団に移住させることで、CVRP集団にも「EVに適したルート」の情報をフィードバックする。この双方向の知識移転のループが、二つの集団を共に進化させ、全体として驚異的な速度と精度で最適解に収束させていく。
このCOEAの性能は、実際のベンチマークテストで実証されている。研究チームは、200人および400人の顧客を対象とした標準的なEVRPテストセットを用いて、COEAをBACO、KBEA、HVNS、ALNS、TS-MCWSといった5つの最先端アルゴリズムと比較した。その結果、COEAは圧倒的な性能を発揮した。
まず、収束速度において、COEAは他のアルゴリズムを大きく引き離した。同じ反復回数内で、COEAははるかに早くコスト（走行距離と車両台数の合計）を下げていった。これは、DAEによる知識移転が、EVRP集団が効率的なルート構造を「再発見」する手間を省き、探索の初期段階から高品質な解を生成できることを示している。
次に、最終的な解の品質においても、COEAは優位に立った。400人の大規模な問題では、18のテストケースのうち11ケースで、最短の走行距離を達成した。特に、KBEAという強力な進化アルゴリズムとの比較では、7つのケースでCOEAが勝利。KBEAは過去の探索履歴から有益なルート特徴を学習するが、COEAは「簡単な問題から直接知識を借りてくる」という戦略が、より効果的であることを示している。また、複数の最適化目標（走行距離と車両台数）のバランスを評価する「ハイパボリューム（HV）」という指標でも、COEAは他のアルゴリズムを上回る値を記録し、解の多様性と収束性の両方が優れていることを証明した。
この研究の意義は、単なるアルゴリズムの性能向上にとどまらない。それは、AIと機械学習の力が、インフラの整備やバッテリー技術の進歩と同等、あるいはそれ以上に、EVの普及を加速する「ソフトウェアの力」を示している点にある。大規模な充電ステーションの建設には巨額の投資と長い年月が必要だが、このアルゴリズムのようなソフトウェアの革新は、既存のEV車両とインフラを最大限に活用し、その効率を数倍にも引き上げることができる。
物流企業にとって、COEAのような技術は、直接的なコスト削減をもたらす。走行距離の短縮は電力コストの削減に直結し、必要な車両台数の減少は、車両の購入・維持費、ドライバーの人件費、そして駐車スペースのコストを大幅に下げることができる。また、効率的なルート計画は、配送の遅延を減らし、顧客満足度の向上にもつながる。環境面でも、不要な走行を減らすことで、二酸化炭素排出量のさらなる削減が可能になる。
都市計画の観点から見ても、この技術は価値がある。自治体が充電インフラを整備する際、どの地点にステーションを設置すべきかは大きな課題だ。従来は経験則や推測に基づいていたが、COEAのような高度なシミュレーションモデルを使えば、実際の配送パターンを精緻に再現し、「ここにステーションを置けば、このエリアのEVトラックの効率が何％向上するか」を定量的に評価できる。これにより、限られた予算を最も効果的な場所に投資することができる。
さらに、この「二重問題と知識移転」というフレームワークは、EVルート最適化に留まらない。ドローン配送の航続距離とバッテリー管理、複数の動力源（ハイブリッド）を持つ車両の最適運用、あるいは複雑な都市交通網の全体最適化など、多くの分野に応用できる可能性を秘めている。安徽大学の研究は、AIが「問題を解く」だけでなく、「問題の解き方そのもの」を最適化できる時代の到来を告げている。
電気自動車の未来は、より大きなバッテリーとより速い充電だけでは切り開けない。その真の可能性を引き出す鍵は、車両の頭脳を司る、この種の知的なアルゴリズムにある。王朝らのCOEAは、静かに、しかし確実に、私たちの物流の未来を再設計している。
電気自動車の物流革命：次世代アルゴリズムが航続距離の壁を打破
王朝、秦芳、劉蓉蓉、江浩、安徽大学人工知能学院、知能システム学報、DOI: 10.11992/tis.202209007