دانلود: دانلود پروژه رشته ریاضی در مورد مسیریابی خودرو با پنجره های زمانی – قسمت اول

دانلود پایان نامه

ژنتیک و تنظیم دو شیوه تقسیم بندی شده دو مرحله ای برای مشکل مسیریابی خودرو با پنجره های زمانی

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

اختصار:

مشکل مسیریابی خودرو با پنجره های زمانی (NRPTW) یک مسئله ترکیبی شناخته گردید. و پیچیده می باشد که در طی سالهای اخیر توجه زیادی را به خود جلب کرده می باشد. این مسئله با بهره گیری از متون مختلف زیادی که شامل شیوه های مطلق و کامل و آزمایشی می باشد مشخص می گردد. معیار معضلات (NRPTW) از الگوریتم های سولمون (Solomon) برای مسائل مسیریابی و برنامه ریزی با محدودیت های پنجره زمانی می باشد. پژوهش های سازمانی به صورت معمول برای ارزیابی و مقایسه الگوریتم ها انتخاب شده اند. نتایج حاصل از روشهای مطلق به صورت قابل توجهی توسعه یافته اند که این به علت کاربردهای متوازن و روشهای مدرن شاخه شاخه شده می باشد. به هر حال هنوز 24 مورد از 56 مورد مثال های ترتیبی از مجموعه تست اصل سولمون بدون حل باقی مانده می باشد. به علاوه در بسیاری از روش هایی آزمایشی توسعه یافته راه حل خوبی در مقادیر منطقی زمان می باشند. متأسفانه کلاس های تحقیقاتی که بر پایه روش های دقیقی بوده می باشد، بر روی فاصله طی شده کلی انجام گردیده می باشد و این تمرکز تقریباً بر روی تمام کوشش های انجام شده بر روی تعدادی از متحرکها انجام شده می باشد. در نتیجه مقایسه  و بدست آوردن مزیت های نقاط قوت برای رسیدن به هدف مشکل تر خواهد بود.

نکته مهم : برای بهره گیری از متن کامل پژوهش یا مقاله می توانید فایل ارجینال آن را از پایین صفحه دانلود کنید. سایت ما حاوی تعداد بسیار زیادی مقاله و پژوهش دانشگاهی در رشته های مختلف می باشد که می توانید آن ها را به رایگان دانلود کنید

این مقاله یک شیوه کامل آزمایشی برای NRPTW را با بهره گیری با مسیر طی شده بعنوان موضوع اصلی در طول الگوریتم ژنتیک کارا و فرمول سازی تقسیم بندی شده را ارائه می دهد. آزمون ها بر اساس تعداد و موضوع نوع اطلاعات تولید شده اند، که اجازه مقایسه مستقیم پیامدهای آن با روش های آزمایشی دقیق گذشته را می دهد. به علاوه، نتایج محاسبه ای نشان می دهد که شیوه پیشنهادی، آزمایشی عملکردها و اجرائیات تمام روشهای شناخته شده قبلی را در دوره هایی با حداقل فاصله طی شده از بین می برد.

  • مقدمه

مشکل مسیریابی خودرو با پنجره های زمانی(NRPTW ) در جامعه پژوهش سازمانی به صورت گسترده مطالعه شده می باشد. اول، به دلیل اینکه (NRPTW ) یکی از مشکل ترین مسائل در بهینه سازی ترکیبی می باشد و در نتیجه چالش بزرگی را ایجاد می کند، دوم، در مقوله عملی تر مشکل به صورت مستقیم در یک فرصت واقعی برای کاهش هزینه ها در محدوده مهم لژستیکی شرکت می کند. مدیریت حمل و نقل و مخصوصاً مسیریابی خودرو تأثیر اقتصادی قابل توجهی در تمام سیستمهای لژستیکی دارد. در (NRPTW )، در(NRPTW )، ناوگان (انبار) وسایل نقلیه مشخص K ، اجناس را برای مشتریان N تأمین می کنند که تمام خودروها دارای ظرفیت یکسان Q می باشند. برای هر مشتری i ، ( N ، …، 1=i ، تقاضای کالاها  و زمان خدمات  و پنجره زمانی  برای رفع تقاضاهای i ، شناخته شده اند، ترکیبات  بیانگر زمان خدمات بارگیری و یا تخلیه برای مشتری i ، و  توصیف کننده زودترین زمانی می باشد که امکان شروع خدمات وجود داشته باشد. اگر هر کدام از خودروها قبل از زمان  به مشتری    برسند بایستی مدتی را منتظر بمانند و خودرو بایستی خدمات مشتری را قبل از  شروع کند. این نوع محدودیت های پنجره زمانی بعنوان پنجره های زمانی سخت شناخته شده اند. تمام مسیرهای خودرو در انبار مرکزی شروع و خاتمه می یابد. هر مشتری بایستی یک بار ملاقات گردد. حداقل فاصله بین مکان های انبار مرکزی و تمام مشتری ها  و زمان طی شده بین تمام مکان ها  داده شده می باشد. موضوع یافتن راه حلی ساده برای تعیین حداقل مسافت طی شده کلی و یا حداقل تعداد خودروها می باشد. که در این مقاله تنها موضوع اول در نظر گرفته شده می باشد. پیشرفت های زیادی در مسأله معیار سولمون و نمونه های آن توسط روچارت با بهره گیری از روش فوق آزمایشی تحقیقی به صورت فهرست وار ایجاد شده می باشد. در نشر (1995) روچات 47 راه حل آزمایشی را از 56 نمونه اصلی سولمون توسعه داده می باشد. ویژگی مهم دیگر، متون بهینه سازی قبلی می باشد که توسط روچارت به کار گرفته شده می باشد. این فن شامل حفظ تمام راه حل های جزئی مشخص شده در طول الگوریتم تحقیقی فهرست وار برای کاربردهای بعد می باشد. مسیرهای هر روش میانی در مجموعهT قرار گرفته می باشد. پس بعد از پایان معیار سنجی فهرستی، تحقیقی بدست آمده، ممکن می باشد بهترین راه حلی باشد که با بهره گیری از حل مسأله تقسیم بندی شده از مسیرهای با بهره گیری از نرم افزار  کشف گردد.

اگرچه روچارت مسافت طی شده  برای مسأله مسیریابی اندازه گیری شده خودرو  را به حداقل رساند، نتایج آن برای آزمایش سولمون  با بهره گیری از تعداد خودروها   بعنوان اولین موضوع و کل  بعنوان عامل دوم انتخاب شدند. به هر حال با در نظر گرفتن نتایج مسائل آزمون سولمون، تعداد خودروهای پیدا نمود شده در بسیاری از کارها مشابه بودند.

پس موضوع دوم، ، معیار فرق بشمار می آمد. در حقیقت،  ,  بیانگر موضوعات متفاوت و متقارن می باشند. راهکارهایی که هر کدام از حالتهای متمایز شده را به صورت مجزا اصلاح می کند، بهترین نتایج را در زمان کار حاصل می کند. برگر  بعضی از نتایج معیار سولمون را با بهره گیری از الگوریتم ژنتیک تکاملی دو مجموعه ای متوازن، ، توسعه داده می باشد. موضوع در  به حداقل رساندن فاصله کلی برای تعدا ثابت خودروها با بهره گیری از راه حل های ساده مجزا در داخل مجموعه می باشد. و ، که شامل راه حل های جداگانه که دارای تعداد خودروهای ثابت شده که یک واحد از  کمتر هستند می باشد، به همین علت، در اصل، آنها راه حل های مشکل می باشند. موضوع  در  به حداقل رساندن  به عنوان موضوع دوم می باشد. هر زمان که یک موضوع محتمل در  پیدا گردد،  توسط  جایگزین شده و تعداد خودروهای ثابت که در هر دو مجموعه در نظر گرفته شده اند به یک کاهش می یابد. این الگوریتم اطمینان می دهد که حداقل یک راه حل محتمل در  ارائه می گردد. پس تفاوت در تعداد خودرو در  و  همیشه مساوی با واحد یک می باشد. برگر همچنین الگوریتم را برای 56 نمونه کلاسیک سولمون آزمایش نمود، اگرچه دو ارزیابی یکسان و متوازن هستند و تنها یک ماشین بهره گیری شده می باشد.

معیارایست یک محدودیت دوم 1800 برای هر حرکت بود. پارامترهایی که به صورت تجربی با آزمون مشابه سولمون مطابقت داده می شدند، قبل از انجام ارزیابی ها در تمام نمونه ها ثابت بودند، به جزء برای گروههای دسته بندی شده  و  . برگر 6 نتیجه جدید  را کشف کرده اخیراً سه نمونه خارج از این موارد بسیار شناخته شده اند و راه حل هایی را با تصور به عنوان موضوع اصلی و  بعنوان موضوع ثانویه منتشر نمود. یکی از مهم ترین مزایای این کار، ان می باشد که، کل  برای تمام 56 نمونه سولمون با 405 متحرک، یکی از مهم ترین نتایج در مقالات بدست آمده تا بحال می باشد.

هامبرگر  نیز نتایج خوبی برای معضلات معیاری سولمون با بهره گیری از دو روش ارزیابی فراآزمایشی در یک راهکار مشابه دو مرحله ای ارائه داده می باشد، که این دو روش پیشنهاد شده  و  بوده می باشد. این روش های آزمایشی تعداد خودروهای موجود در دو کلاس ،  را کاهش داده می باشد.

در نمونه  ، راهکار  هنوز نتایج جدیدی را ایجاد می کند. به این شکل که  را حفظ می کند و  را کاهش می دهد. در راه مشابه  ، نتایج  TD در  و  را توسعه می دهد . در کلاس ، 5 نتیجه جدید توسط  و سه نتیجه با  تولید گردید. نتایج در کلاس های دسته بندی شده.  ، برای تمام مسائل جزو بهترین روشها شناخته شده می باشد.

 هنوز دو نتیجه جدید برای  و دو نوع دیگر برای  ایجاد می کند. در کل مجموعه ای از 20 نتیجه جدید تولید شده که تنها دو مورد از آنها هنوز بدون نقص باقی مانده می باشد. اخیراً، بهترین نتایج برای مسئله های معیارهای سولمون، بهره گیری از  بعنوان موضوع اولیه و  بعنوان موضوع ثانویه در داخل بسیاری از نشر توزیع یافته اند که آنها در  اختصار بندی شده اند. مقاله های کمی موجودند که روش های آزمایشی کل  را بعنوان موضوع اولیه ای برای به حداقل رساندن مشخص می کنند، همان گونه که روسو بیان نمود. در  مؤلفین به نظر می رسد که موضوع و هدف اولیه خود، ، را با نتایج کوشش های پژوهش در مقالاتی که تمرکز روی  بوده می باشد، مورد مقایسه قرار داده اند و معیارهای مقایسه ای ویژه به روشنی مشخص نیستند.

اغلب در تمام کارهای دقیق،  را بعنوان یک هدف انتخاب می کنند، در حالیکه  در تمام تلاشها بر طبق آزمایش ها انتخاب شده می باشد، در حقیقت، انتخاب مناسب ترین موضوع بر طبق قوانین خاص و برگزیده تجارت های مجزا می باشد. در برزیل برای مثال، یک بخش خاص کالاها که توسط شرکت ها ارائه می شوند دارای تعداد محدود خودروها که در انبار خود کمتر یا مساوی 70 درصد نیاز واقعی خود می باشد. در نتیجه، مقدار کلی و زیاد کالاها توسط گروه سوم ارائه می شوند که معمولاً تجارتهای کوچک یا حتی مالکان مشخص کامیونها مشخص می باشند. این طرف سوم شرکت ها، به گونه کلی کامیونهای انسجام یافته نامیده می شوند، قانون پرداخت برای مجموع کامیونها معمولاً بر طبق کل مسافت طی شده توسط آنها می باشند، در این موارد، به حداقل رساندن  جالب ترین و موضوع اولیه برای شرکت اجاره کننده ها می باشد. در سناریوی دیگر، جایی که به حداقل رساندن  مناسب می باشد، هنگامی اتفاق می افتد که مقدار کالاها کمتر از ظرفیت کل انبار موجود می باشد.

در نتیجه، بسیاری از جایگاه های زندگی واقعی، مطالعه الگوریتم های فنون را برای توسعه  تصدیق می کند که نتایج آن در دوره های مسافت کلی طی شده می باشد. ناکارآمدی و نقص روشهای آزمایشی در این جهات کلاس ها را توجیه می کند.

2- تنظیم مدل تقسیم بندی برای

 توصیف شده در بخش قبلی می تواند بعنوان مسئله تقسیم بندی شده  به صورت زیر فرمول بندی گردد.  

در این ارتباط  مجموعه مسیرها،  مجموعه مشتریان و  مسافت طی شده در مسیر  و  متغیر تصمیم گیری یک چنان چه مسیر  در راه حل موجود باشد و صفر در جای دیگر در نظر گرفته می گردد،  ، پارامترهای کمکی برای اظهار مجموعه مشتریان موجود در هر مسیر ، یک اگر که مشتری  توسط مسیر  تأمین گردد و صفر اگر این طور نباشد در نظر گرفته خواهد گردید.

پژوهش و جستجو برای راه حل معادله بهینه با بهره گیری از مدل  بالا، جایی که تمام مسیرهای ممکن در مجموعه  را شامل شده اند، تنها احتمال برای نمونه ها تعداد کل مشتریان می باشد. با فرض یک مسئله با 50 مشتری، در حالی که زمان و ظرفیت برای مهار مسیرهای ممکن تا 10 مشتری مسئله با 50 مشتری، در حالی که زمان و ظرفیت برای مهار مسیرهای ممکن تا 10 مشتری موجود می باشد، تعداد مسیرهای ممکن به صورت زیر می باشد:

در نتیجه برای مدل  ممکن نیست که به صورت مستقیم هر کدام از الگوریتم های  را حتی در نمونه های با  مشتری یا کمتر بهره گیری کند. راه حل معمول بهره گیری از روش تجزیه دانتزینگ ولف می باشد مسئله را با کاهش تعداد مسیرها به یک مسئله اصلی و یک مسئله ثانویه ای که موضوع آن یافتن مسیرهایی با کاهش منفی هزینه می باشد تقسیم می کند و راه حل مسئله اصلی، راه حل مسئله سراسری می باشد. نتایج نشان می دهد که حل کامل و بهینه مسائل بسیار سخت می باشد، علی رغم حقیقتی که تجزیه گزینه ای برای دوری از افزایش تعداد ستونها در مدل اصلی  می باشد.

برای مسئله حل نشده  در متن، فنون های برش فرعی مدرن برای توسعه همگرایی که امکان نتایج بهینه را ممکن می سازد را بهره گیری کرده اند. شیوه های دقیق و کامل با بهره گیری از تجزیه دانتزینگ ولف برای  می تواند در  و  پیدا شوند. بسیاری از مسائل بعنوان اکثریت آزمون  سولمون برای 50 و 100 مشتری بدون حل باقی مانده می باشد. در واقع مسائل به صورت عادی بیشتر از 100 مشتری را نشان می دهد که اظهار می دارد همچنان روش های آزمایش برای  نیاز می باشد.

3) ژنتیک و تنظیم الگوریتم جزء بندی شده دو مرحله ای

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

قالب کاری راه حل توسط واقعیتی که محلی را برای  که دارای امکان قابل ملاحظه ای از مسیرهای شامل شده می باشد، تأثیر می پذیرد. و همچنین در بهینه سازی جهانی پیدا نمود می گردد.

این حقیقت می تواند با مقایسه نتایج مطلوب جهانی که توسط روش های مطلق و دقیق ایجاد شده اند با بسیاری از نتایج کیفی منطقی که توسط روش های آزمایشی ایجاد     می شدند اثبات شوند. اگر راه حل های متعدد مطلوب با کیفیت منطقی ایجاد شوند، این امکان دارد که این مسیرها را به مجموعه  ارتباط دهیم و سپس مدل  که در بخش قبل توضیح داده گردید را به کار بریم. اگر تعداد کل مسیرهای توضیح داده شده در  که به اندازه کافی بزرگ نیستند، مقدار منطقی زمان برای تولید یک راه حل کیفی توسعه یافته با بهره گیری از  نیاز می باشد. بعلاوه زمان مورد نیاز برای تولید بعضی از راه حلهای کیفی آزمایش، می تواند کمتر از مقدار زمان مورد نیاز توسط روشهای آزمایشی که برای راه حل نهایی اختصاص داده می شوند، باشد. این اتفاق رخ می دهد. زیرا کوشش زیاد روی فرار از راه حلهای کوچک محلی و سپس تمرکز روی تطبیق و موضوعات خوب برای بدست آوردن راه حل های کیفی بهتر می باشد، که این ایده کاملاً جدید نیست. روچارت  از شیوه های مشابه بعنوان یک فن از پیش بهینه شده بعد از یک پژوهش کلی بهره گیری کرده می باشد. به هر حال ویژگی های جدیدی در پیشنهاد اخیر هست. اولین آنها، تمرکز کار روچارت به صورت گسترده در کیفیت نتایج پژوهش محلی بوده می باشد، جایی که مدل   تنها به عنوان یک اصطلاح بهره گیری شده می باشد. با بهره گیری از روش متفاوت، یک الگوریتم سریع ژنتیک این جا بعنوان یک شکل دهنده مسیر برای فرمول سازی اصلی  پیشنهاد شده می باشد. جایی که مقدار و زمان مورد نیاز برای تعیین و شناسایی راه حل های کوچک محلی و گستردگی آنها بسیار مهمتر از کیفیت راه حل های واحد شخصی می باشند. روچارت همچنین بیان نمود که توسعه قابل توجهی در راه حل هایی که با بهره گیری از فن بهینه سازی قبلی او بدست آمده وجود ندارد و اغلب کمتر از 1 درصد می باشد، تفاوت دوم با شیوه کنونی این می باشد که روچارت از راه حلهای متوسط و میانی از روش متداوم توسعه برای ایجاد مجموعه ای از روش ها برای اجرای  پیش روی راه حل های مستقل و متفاوت محلی کم بهره گیری نمود. در پایان، عملکرد موضوعی که توسط روچارت بکار رفت کم کردن تعداد خودروها به جای مسافت کلی طی شده به عنوان موضوع اولیه می باشد.

103 جستجو برای راه حل های کوچک محلی

این نوشته در ریاضی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

پاسخی بگذارید