مسیریابی وسایل نقلیه با پنجره زمانی و استفاده از الگوریتم فراابتکاری NSGAII

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 728

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICESAL01_214

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

در این تحقیق مسئله مسیریابی ناوگان حمل و نقل ناهمگن در زنجیره تأمین با در نظر گرفتن پنجره زمانی مورد بررسی قرار میگیرد. در مسئله مورد بررسی تعدادی نقاط تقاضا با تحویل و برگشت همزمان وجود دارند. این تقاضا باید از انبار عبوری کهمیبایست از بین نقاط کاندید انتخاب گردد، و مشخص شود که احداث انبار در هریک از این مکانها هزینه ثابت مشخص دارد. برای ارسال خدمترسانی از انبار به نقاط تقاضا از وسایل حمل و نقلیه استفاده میگردد که هر یک از آنها ظرفیت حمل،هزینههای ثابت به کارگیری و هزینههای حمل اضافه بار خاص خود را دارند. جهت صحهگذاری مدل ارایه شده از روش دقیقاپسیلون محدودیت استفاده شده است و نیز برای حل مسایل در ابعاد بزرگتر با توجه به زمانبر بودن حل از الگوریتم فرا-ابتکاری NSGA-II الگوریتم ژنتیک چندهدفه با مرتبسازی نامغلوب استفاده شده است. نقاط پارتو برای روش دقیق اپسیلون محدودیت بهدست آمده است. این نقاط با لبه پارتوی بهدست آمده از حل الگوریتم NSGA-II الگوریتم ژنتیک چند هدفه با مرتبسازی نامغلوب مقایسه شده و مشاهده میشود، هر دو روش دقیق و الگوریتم فراابتکاری به نتایج یکسانی دست یافتند. و جوابهای لبه پارتو برابر با 1449،٣٨٧ و265 ،3929میباشد.

کلیدواژه ها:

مکانیابی انبار عبوری ، مسیریابی ناوگان حمل و نقل ناهمگن ، الگوریتم فراابتکاری NSGA-II

نویسندگان

مژگان طاهائی

ایران، قزوین، دانشگاه آزاد اسلامی قزوین، دانشکده صنایع و مکانیک

حسن حاله

ایران، گلپایگان، دانشگاه گلپایگان، دانشکده مهندسی صنایع

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Alabas-Uslu C., Dengiz B., (2011), Aself-adaptive local search algorithm for ...
  • Alba E., Dorronso B., (2006), Computing nine new best-so-far solutions ...
  • Baios R., Ortega J., Gil C.. Marquez A., Toro F., ...
  • Bochtis D.D., Sorensen C.G., (2009), the vehicle routing problem infield ...
  • Borgulya I., (2008), Analgorithm for the capacitated vehicle routing problem ...
  • Braysy O., Hasle G., Dullaert W., (2004), Amulti-start local search ...
  • Cao, E., Lai, M., and Yang, H., (2014). Open vehicle ...
  • Cordeau J-F., Laporte G. Mercier A., (2001), Aunifiedtabu search heuristic ...
  • DantzigG.B., Ramser J.H., (1959), The truck dispatching problem, Management Science. ...
  • Garcia-Najera A., Bullinaria J.A., (2011), Animproved multi-objective volutionary algorithm for ...
  • Ghoseiri K., Ghannadpou S.F., (2010), Multi-objective vehicle routing problem with ...
  • Jozefowiez N., Semet F., Talbi E-G., (2007), Target aiming Pareto ...
  • Jozefowiez N., Semet F., Talbi E-G., (2009), An evolutionary algorithm ...
  • Kirkpatrick S., Gelatt C.D., Vecchi M.P., (1983), Optimization bysimulated annealing, ...
  • Kritikos M.M., Ioannou G., (2013), The heterogeneous fleet vehicle routing ...
  • Kuo Y., (2010), Using simulated annealing to minimize ful consumption ...
  • Kuo R.J., Ferani E., Zulvia K.S., (2012), Hybrid particle Swarm ...
  • Lee C-Y., Lee Z-J., Lin S-W., (2008), Anenhanced ant colony ...
  • Liang, W., and Richard, E., (2015). Minimum cost VRP with ...
  • Lenstra J.K., Rinnooy Kan A.H., (1981), Complexity ofvehicle routing and ...
  • Mester D., Braysy O., (2007), Active-guided evolution strategies for large-scale ...
  • Metropolis N., Rosenbluth A.W., Rosenbluth M.N., Teller A., Teller E., ...
  • Nagata Y., Braysy O., Dullaert W., (2010), Apenalty-based edge assembly ...
  • Qiulei D., Xiangpei H., Lijun S., Yunzeng W., (2012), An ...
  • Solomon M.M., (1987), Algorithms for the vehicle routing and scheduling ...
  • While L. Hingston P., Barone L., Huband S., (2006), Afaster ...
  • نمایش کامل مراجع