دانلود فایل پایان نامه : دانلود پروژه رشته ریاضی در مورد مسیریابی خودرو با پنجره های زمانی – قسمت سوم

دانلود پایان نامه

تغییر – 5 : (تبادل مشتری با بهره مثبت ) : این اپراتور در دوره های زمانی پیچیده O(nm) بسیار گران می باشد جایی که m وn تعداد مشتریان در دو مسیر می باشند. به هر حال این برای توسعه تناوب GA مهم می باشد که تمام احتمالات برای تبادل یک جفت مشتری را مشخص کند و تنها همان را انجام دهد و اگرچه یک کاهش در کل مسیر طی شده بدست می آید. (شکل 7 را نگاه کنید)

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

تغییر- 6 : (ایجاد دو مسیر) این اپراتور در مسیر را به روش تصادفی انتخاب می کند. اغلب مشتریان، باقیمانده در مسیرهای دیگر و یا در نوع جدید وارد می شوند. خاطر نشان می گردد که اگر مسیر جدید لازم باشد، PFCH تصادفی کابرد دارد. ( به شکل 8 نگاه کنید)
تغییر- 7 : ( مشتریان دوباره وارد شده): اپراتور یک مشتری تصادفی را انتخاب می کند، آن را از بین می برد و در یک حالت بهتر دوباره وار می کند، یعنی حالتی که در مسیری مشابه با یک مسیر طی شده حداقل وارد می گردد. ( به شکل 9 نگاه کنید)
تغییر- 8 : (تقسیم بندی مسیر): این اپراتور یک خودرو و یک مشتری تصادفی را انتخاب کرده و این مسیرها را به دو نوع دیگر با بهره گیری از مشتریها بعنوان مرجع تقسیم می کند. (شکل 10 را نگاه کنید)

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
3-1-2: مجموعه اولیه مسیرها با بهره گیری از کل مسئله
قالب کاری جهت تولید مجموعه اولیه min محلی با بهره گیری از GA توصیف شده شروع می کند. چارت جریان در شکل 11 نشان داده شده می باشد. تمام مسیرها از بهترین شخص از هر کدام از جزیره ها در زیر مجموعه R قرار می گیرد. در این مرحله، بسیاری از راه حل های کم محلی (Max- Island) بدست می آیند.
3-1-3: توسعه مجموعه مسیرهای موجود با بهره گیری از مسئله کاهش یافته

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

متن کوشش های تحقیقی همچون روشهای پتال کلاسیک را نشان می دهد که هدف آن تجزیه مسئله به مناطق کوچکتر می باشد، سپس هر منطقه کوچکتر به ترتیب کاهش قرار گرفته و مشکل مسئله مستقل اصلاح می گردد. این مناطق کوچکتر بر مبنای روش ها می توانند برای مسئله های بدون محدودیت های ظرفیت و پنجره های زمانی مفید باشند. به هر حال برای (NRPTW) ، هر منطقه کوچکت می تواند تأثیری روی الزام برای خلق مسیرهای اضافی در راه حل داشته باشد، زیرا محدودیت های پنجره های زمانی مسیرها را بر طبق مجاورت و نزدیکی
فیزیکی مشتریان محدود می کند و مانع آن هم می گردد.
به بیانی دیگر این ممکن می باشد برای GA راحت تر باشد که نواقص کمی را در زیر مجموعه مسیرهای قبلی تولید در این راه، ارزیابی های اضافی با بهره گیری از GA توضیح داده شده بالا بهره گیری می گردد، جایی که زیر مجموعه مشتریان حذف می گردد و مسئله را از نظر اندازه تا 30% کاهش می دهد. مشتریان با در نظر داشتن راه حلهای تولید شده با بهره گیری از مدل Spp در زیر مجموعه مسیرهای R از مرحله های قبلی که در بخش 2-1-3 توضیح داده شده تولید می شوند و دوباره بسیاری ازجزیره های تکامل و تغییر ایجاد می گردند. هر جزیره از مجموعه های متفاوت از مسیرهایی بهره گیری می کنند که به صورت تصادفی انتخاب شده اند. مسیرها در راه حل Spp با این تصور که چه مشتری بایستی در زیر مسئله وارد شوند، انتخاب می گردند. و مسیرهای جدید با بهره گیری از PFIH برای ایجاد هر مجموعه و جمعیت GA اولیه بدست می آیند. برای بدست آوردن حل مطلوب Spp از نرم افزار GLPKMIP بهره گیری می کنیم، شکل 12 جریان این فرآیند را نشان می دهد.

3-2: الگوریتم کامل
در بخش های قبلی، GA پیشنهادی در دوره متفاوت برای تولید مسیرهای با کیفیت برای مجموعه R از معادله1-2 به کار می رفت. این مسیرها از راه حل های کم محلی، مستقل می باشد. ابتداد از کل مسئله بهره گیری کنید، جایی که تمام مشتریان در نظر گرفته شدند و در مرحله دوم، از یک مشکل کاهش یافته بهره گیری کنید. حتی اگر کیفیت این مسیرهای تولید شده مستقیماً مربوط به کل کیفیت راه حل GA باشد، ضروری می باشد که تا آن جایی که ممکن می باشد مسیر ایجاد کنیم و احتمال یافتن مجموعه ای دلخواه از مسیرهای بهینه را افزایش دهیم. این دو مرحله ترتیبی، می تواند به عنوان گسترده سازی تراکم سازی و افزایش مراحل در نظر گرفته گردد. در آغاز، گسترده و رو به افزایش می باشد، زیرا بسیاری از حرکتها، مستقل و سریع انجام می شوند و راه حلهای محلی بسیار متفاوت کوچک محلی را ایجاد می کنند، از اینرو مدل Spp برای بدست آوردن بهترین ترکیب مسیرها در یک راه حل استثنایی بهره گیری می گردد، تکامل های پشت سر هم GA می تواند به عنوان تحقیقی گسترده و مراحل آن در نظر گرفته گردد، زیرا هر مسئله کوچکتر ایجاد شده، به راه حل های کوچکتر نیاز دارد( هنگامی که مشتریان بر طبق راه حل Spp تقسیم می شوند.) در شکل 13 این امکان دارد که این تمایل و طریقه را در مجموعه ای از مشتریان برای مسائل کوچکتر ببینید.
قالب کاری از چرخه های متوالی گسترده سازی یعنی جزیره های تکامل بهره گیری شده در کل مسئله ها و زیر مسئله ها تشکیل شده می باشد و در پایان، مجموعه جهانی مسیرها، R GLOBAL برای ارائه راه حل جهانی و نهایی SppMIP شکل می گیرد و در شکل 14 نشان داده شده می باشد که می تواند به صورت زیر اختصار گردد.
در آغاز جزیره های Max-Island از تکامل های GA با در نظر گرفتن نمونه های اصل سولمون که توسط بلوک ها و مستطیل ها با برچسب های A و B و C نشان داده شده اند، ایجاد می شوند. مجموعه مسیرهای R با بهره گیری از مسیرهایی از بهترین افراد هر جزیره، بلوک B می آیند، هنگامی که تعداد تکامل ها و تغییرهای جزیره N دارای حداکثر تعداد جزیره ها هستند (Max Island) ، Spp با بهره گیری از بسته GLPKMIP در مجموعه مسیرهای R ، بلوک D را حل می کند. بر طبق راه حل Spp، الگوریتم تصمیم می گیرد که چگونه مشتریان برای ایجاد مسئله های متفاوت کاهش یافته دسته بندی می شوند. همانطور که قبلاً ذکر گردید، هر مسیر پیدا نمود شده در راه حل Spp به احتمال 30 درصد مشتریان وارد شده خود در یک مسئله و مشکل کاهش یافته را دارد. این مرحله با بلوک E در شکل 14 نشان داده شده می باشد.
دوباره، GA مشابه برای فاصله طی شده بهینه برای این مسئله کاهش یافته و بلوک F اجرا می گردد، در این جا تنها پارامتر تغییر یافته در GA افق زمانی می باشد که به 50 درصد کاهش یافته می باشد. در مسیر مشابه، بسیاری از جزیره ها ایجاد شده اند (Max Island) ، سپس با مجموعه متفاوت مشتریان ایجاد می شوند، زیرا مسیرهای انتخاب شده می توانند در هر زمان متفاوت باشند، هنگامی که Max Island بدست می آید، مجموعه R شامل مسیرهای اضافی می گردد. این مرحله می تواند بعنوان توسعه در نتیجه پیشین در نظر گرفته گردد زیرا تقسیم مشتریان بر طبق راه حل کنونی Spp پژوهش را در آن منطقه منتهی می گردد. کل مجموعه مسیرهای R – به مجموعه جهانی R GLOBAL افزوده می گردد و آن را خالی می سازد. اگر زمانی بدست نیاید، ( کل زمان، بلوک I ) ، چرخه توصیف شده دوباره شروع می گردد، واقعاً، فرایند می تواند بین هر مورد ایجاد شده GA وقفه ایجاد کند و در چارت جریان برای آسان کردن آن نشان داده نشده می باشد. هنگامی که زمان محدود شده از بین می رود، به صورت عادی بعد از تعداد زیادی از چرخه ها، مجموعه جهانی R GLOBAL در نظر می گیرد، بهره گیری می گردد. نتایج در بخش بعدی نشان می دهد که این راه کوتاه محلی خیلی نزدیک، یا حتی همان راه حل مطلوب جهانی مطابق با آن می باشد.
4- نتایج محاسبه شده
مجموعه آزمایش های سولمون در سال 1987 برای سه نوع فضای متفاوت مشتری پیشنهاد گردید: کلاس نهایتاً انتخاب و پیشنهاد تصادفی مشتریان می باشند و کلاسهای نهایتاً شامل زیر مجموعه ای از مشتریان انتخاب شده تصادفی و دیگر بخش دسته بندی شده می باشد. فاصله بین دو مشتری یک فاصله ساده مکانی می باشد، و هر مشتری i دارای پنجره هیا زمانی می باشند که بیانگر زمان درونی برای رسیدن به آن مشتری می باشد. محدودیت ظرفیت های متفاوت برای خودرو در هر کلاس نمونه به همراه تقاضاها از مشتری می باشد. حدود 56 نمونه برای هر بعد مسئله این مقوله هست که 25، 50، 100، مشتری دارند. بدلیل اینکه آزمون سولمون بیانگر انواع متفاوت نسبتاً خوب سناریوها می باشد، برای ارزیابی تعداد زیادی از پیشنهادات و نوشته های راه حل در متن انتخاب شده اند. به هر حال تعریف ناقص مسئله باعث ایجاد فرضیه های متفاوت شده و در نتیجه برای مقایسه کارها مشکل تر می باشد، اولین عدم توافق در متن، عملکرد موضوعی مسئله می باشد. بسیاری از موضوعات متفاوت در متن برای مجموعه آزمون های سولمون انتخاب شده اند، مانند حداقل فاصله کلی طی شده، تعداد خودروهای به حداقل رسانده شده و حداقل زمان کلی انتظار و ترکیب آنها. دومین عدم توافق مهم مربوط به نوع اطلاعات می باشد، تعداد واقعی یا آزمایش و تجربی آن بسیاری از نویسندگان بهره گیری از تعداد انتگرال را برای کاهش تأثیر سخت افزار کامپیوتر تنظیم می کنند، اما در موارد دیگر دقت دوگانه عددی(تصاعدی) انتخاب شده اند، به هر حال نمونه های سولمون بهترین راه برای ارزیابی شیوه جدید می باشند و که در این کار از آنها بهره گیری شده می باشد. به مقصود کاهش این ضعف ذکر گردیده در بالا و ایجاد امکان مقایسه کاملتر، هر دو تعداد واقعی و انتگرالی ( انسجامی) در نظر گرفته شده اند.

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

پاسخی بگذارید