سایت دانلود

یک سایت دیگر با وردپرس فارسی
ریاضی

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

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

خلاصه:

مشکل مسیریابی خودرو با پنجره های زمانی (NRPTW) یک مسئله ترکیبی شناخته شد. و پیچیده است که در طی سالهای اخیر توجه زیادی را به خود جلب کرده است. این مسئله با استفاده از متون مختلف زیادی که شامل شیوه های مطلق و کامل و آزمایشی است مشخص می شود. معیار مشکلات (NRPTW) از الگوریتم های سولمون (Solomon) برای مسائل مسیریابی و برنامه ریزی با محدودیت های پنجره زمانی می باشد. تحقیق 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 است. 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 است، بر روی فاصله طی شده کلی انجام گردیده است و این تمرکز تقریباً بر روی تمام تلاش های انجام شده بر روی تعدادی از متحرکها انجام شده است. در نتیجه مقایسه  و بدست آوردن مزیت های نقاط قوت برای رسیدن به هدف مشکل تر خواهد بود.

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

این مقاله یک شیوه کامل آزمایشی برای NRPTW را با استفاده 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 تحقیق سازمانی به صورت گسترده مطالعه شده است. 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 است که امکان شروع خدمات وجود داشته باشد. اگر هر کدام از خودروها قبل از زمان  به مشتری    برسند باید مدتی را منتظر بمانند و خودرو باید 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 باید یک بار ملاقات شود. حداقل فاصله بین مکان های انبار مرکزی و تمام مشتری ها  و زمان طی شده بین تمام مکان ها  داده شده است. 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 است. پیشرفت های زیادی در مسأله معیار سولمون و نمونه های آن توسط روچارت با استفاده از روش فوق آزمایشی تحقیقی به صورت فهرست وار ایجاد شده است. در انتشارات (1995) روچات 47 راه حل آزمایشی را از 56 نمونه اصلی سولمون توسعه داده است. ویژگی مهم دیگر، متون بهینه سازی قبلی است که توسط روچارت به کار گرفته شده است. 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 است. پس بعد از پایان معیار سنجی فهرستی، تحقیقی بدست آمده، ممکن است بهترین راه حلی باشد که با استفاده از حل مسأله تقسیم بندی شده از مسیرهای با استفاده از نرم افزار  کشف شود.

اگرچه روچارت مسافت طی شده  برای مسأله مسیریابی اندازه گیری شده خودرو  را به حداقل رساند، نتایج آن برای آزمایش سولمون  با استفاده 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 یافت شده در بسیاری از کارها مشابه بودند.

بنابراین موضوع دوم، ، معیار تمایز 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 استفاده از الگوریتم ژنتیک تکاملی دو مجموعه ای متوازن، ، توسعه داده است. موضوع در  به حداقل رساندن فاصله کلی برای تعدا ثابت خودروها با استفاده 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 شود،  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 شود. بنابراین تفاوت در تعداد خودرو در  و  همیشه مساوی با واحد یک است. برگر همچنین الگوریتم را برای 56 نمونه کلاسیک سولمون آزمایش کرد، اگرچه دو ارزیابی یکسان و متوازن هستند و تنها یک ماشین استفاده شده است.

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 کرد. یکی از مهم ترین مزایای این کار، ان است 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 مشکلات معیاری سولمون با استفاده از دو روش ارزیابی فراآزمایشی در یک راهکار مشابه دو مرحله ای ارائه داده است، که این دو روش پیشنهاد شده  و  بوده است. این روش های آزمایشی تعداد خودروهای موجود در دو کلاس ،  را کاهش داده است.

در نمونه  ، راهکار  هنوز نتایج جدیدی را ایجاد می کند. بدین صورت 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 شد. نتایج در کلاس های دسته بندی شده.  ، برای تمام مسائل جزو بهترین روشها شناخته شده است.

 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 است. اخیراً، بهترین نتایج برای مسئله های معیارهای سولمون، استفاده از  بعنوان موضوع اولیه و  بعنوان موضوع ثانویه در داخل بسیاری از انتشارات توزیع یافته اند که آنها در  خلاصه 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 طور که روسو بیان کرد. در  مؤلفین به نظر می رسد که موضوع و هدف اولیه خود، ، را با نتایج تلاش های تحقیق در مقالاتی که تمرکز روی  بوده است، 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 است، 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 طور 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 است، هنگامی اتفاق می افتد که مقدار کالاها کمتر از ظرفیت کل انبار موجود می باشد.

در نتیجه، بسیاری از موقعیت 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 شود.  

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 شود،  ، پارامترهای کمکی برای بیان مجموعه مشتریان موجود در هر مسیر ، یک اگر که مشتری  توسط مسیر  تأمین شود و صفر در غیر این صورت در نظر گرفته خواهد شد.

تحقیق و جستجو برای راه حل معادله بهینه با استفاده 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 است، 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 استفاده کند. راه حل معمول استفاده 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 است 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 استفاده کرده اند. شیوه های دقیق و کامل با استفاده 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 است. در واقع مسائل به صورت عادی بیشتر از 100 مشتری را نشان می دهد که بیان می دارد همچنان روش های آزمایش برای  نیاز است.

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

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 یافت می شود.

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 شرح داده شد را به کار بریم. اگر تعداد کل مسیرهای شرح داده شده در  که به اندازه کافی بزرگ نیستند، مقدار منطقی زمان برای تولید یک راه حل کیفی توسعه یافته با استفاده از  نیاز است. 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 تلاش 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 تحقیق کلی استفاده کرده است. به هر حال ویژگی های جدیدی در پیشنهاد اخیر وجود دارد. اولین آنها، تمرکز کار روچارت به صورت گسترده در کیفیت نتایج تحقیق محلی بوده است، جایی که مدل   تنها به عنوان یک اصطلاح استفاده شده است. با استفاده از روش متفاوت، یک الگوریتم سریع ژنتیک این جا بعنوان یک شکل دهنده مسیر برای فرمول سازی اصلی  پیشنهاد شده است. 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 کرد که توسعه قابل توجهی در راه حل هایی که با استفاده از فن بهینه سازی قبلی او بدست آمده وجود ندارد و اغلب کمتر از 1 درصد می باشد، تفاوت دوم با شیوه کنونی این است که روچارت از راه حلهای متوسط و میانی از روش متداوم توسعه برای ایجاد مجموعه ای از روش ها برای اجرای  در مقابل راه حل های مستقل و متفاوت محلی کم استفاده کرد. 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

هدف در مرحله اول، همان طور که در بالا به طور خلاصه آمده است، ایجاد مسیرهای با کیفیت می باشد که در مدل  وارد شده اند، معادله های  تا  . به هر حال، یافتن مسیرهای کیفی کار سختی می باشد که بسیاری از روشهای تجربی کلاسیک مانند  در متن برای تولید مسیرهایی برای  پیشنهاد شده اند. اگر هر کدام از مسیرها، مستقل ایجاد شوند، بدون در نظر گرفتن مشکل کلی ، بسیار سخت است که مسیرهای ترکیبی بتوانند راه حل خوبی برای کل مسئله بدهند به نظر می رسد که هیچ راه مستندی برای ارزیابی کیفیت هر مسیر مجزا به صورت جداگانه نمی باشد. در نتیجه مسیرهای دلخواه که در مجموعه از معادله  قرار می گیرند. با شانس های بیشتر برای تولید راه حل مطلوب تر، مسیرهایی هستند که به عنوان بخشی از راه حل کامل یعنی آنهایی که در راه حل خوب محلی کشف شده اند ارزیابی می شوند. به منظور تولید مجموعه مسیرهای، یک الگوریتم ژنتیک سریع به کار می رود و به صورت مستقل در بسیاری از زمان ها اجرا می شود. هر الگوریتم مستقل ژنتیک اجرایی، تصور شده بخشی از تکامل می باشد، زیرا هیچ تأثیر یا تعامل ماده ای ژنتیک بین آنها وجود ندارد. این جزیره از نظریه تکامل طبیعی مربوط به مجموعه محدود شده اشخاص با احتمال بیشتر اتفاق یک تضاد و تغییر مواد ژنتیکی آنها می باشد.

در نتیجه، تکامل جزیره به صورت کامل و متمایز از دیگری، گستردگی لازم را ضروری می سازد، به  برای اطلاعات بیشتر درباره الگوریتم های ژنتیک نگاه کنید. به علاوه این مهم است که این روش را از روش های شروع دوباره جدا کنیم. در شیوه اول، راه حل ها در بسیاری از بخش ها و بعد از آن برای بدست آوردن راه حل های بهتر و با کیفیت با استفاده از مدل  ترکیب می شود.

برای دیدن قسمت های دیگر این تحقیق لطفا” از منوی جستجوی سایت که در قسمت بالا قرار دارد استفاده کنید. یا از منوی سایت، فایل های دسته بندی رشته مورد نظر خود را ببینید.

لینک متن کامل با فرمت ورد

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *