سایت دانلود

یک سایت دیگر با وردپرس فارسی
ریاضی

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

تغییر – 5 : (تبادل مشتری با بهره مثبت ) : این اپراتور در دوره های زمانی پیچیده O(nm) بسیار گران است جایی که m وn تعداد مشتریان در دو مسیر می باشند. به هر حال این برای توسعه تناوب GA مهم است 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)
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. لازم به ذکر است 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 شود. ( 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 استفاده از مشتریها بعنوان مرجع تقسیم می کند. (شکل 10 را نگاه کنید)

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
3-1-2: مجموعه اولیه مسیرها با استفاده از کل مسئله
قالب کاری جهت تولید مجموعه اولیه min محلی با استفاده از GA توصیف شده شروع می کند. چارت جریان در شکل 11 نشان داده شده است. 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 استفاده از مسئله کاهش یافته
متن تلاش 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 شود. 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 شود.
به عبارت دیگر این ممکن است برای GA راحت تر باشد که نواقص کمی را در زیر مجموعه مسیرهای قبلی تولید در این راه، ارزیابی های اضافی با استفاده از GA شرح داده شده بالا استفاده می شود، جایی که زیر مجموعه مشتریان حذف می گردد و مسئله را از نظر اندازه تا 30% کاهش می دهد. مشتریان با توجه به راه حلهای تولید شده با استفاده از مدل Spp در زیر مجموعه مسیرهای R از مرحله های قبلی که در بخش 2-1-3 شرح داده شده تولید می شوند و دوباره بسیاری ازجزیره های تکامل و تغییر ایجاد می گردند. هر جزیره از مجموعه های متفاوت از مسیرهایی استفاده می کنند که به صورت تصادفی انتخاب شده اند. مسیرها در راه حل Spp با این تصور که چه مشتری باید در زیر مسئله وارد شوند، انتخاب می گردند. و مسیرهای جدید با استفاده از PFIH برای ایجاد هر مجموعه و جمعیت GA اولیه بدست می آیند. برای بدست آوردن حل مطلوب Spp از نرم افزار GLPKMIP استفاده 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 استفاده کنید، جایی که تمام مشتریان در نظر گرفته شدند و در مرحله دوم، از یک مشکل کاهش یافته استفاده کنید. حتی اگر کیفیت این مسیرهای تولید شده مستقیماً مربوط به کل کیفیت راه حل GA باشد، ضروری است که تا آن جایی که ممکن است 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 شود. در ابتدا، 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 استفاده می شود، تکامل های پشت سر هم GA می تواند به عنوان تحقیقی گسترده و مراحل آن در نظر گرفته شود، 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 روند را در مجموعه ای از مشتریان برای مسائل کوچکتر ببینید.
قالب کاری از چرخه های متوالی گسترده سازی یعنی جزیره های تکامل استفاده شده در کل مسئله ها و زیر مسئله ها تشکیل شده است 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 است که می تواند به صورت زیر خلاصه شود.
در ابتدا 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 استفاده 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 استفاده 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 شد، هر مسیر یافت 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 است.
دوباره، GA مشابه برای فاصله طی شده بهینه برای این مسئله کاهش یافته و بلوک F اجرا می شود، در این جا تنها پارامتر تغییر یافته در GA افق زمانی می باشد که به 50 درصد کاهش یافته است. 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 شود. این مرحله می تواند بعنوان توسعه در نتیجه پیشین در نظر گرفته شود زیرا تقسیم مشتریان بر طبق راه حل کنونی Spp تحقیق را در آن منطقه منتهی می گردد. کل مجموعه مسیرهای R – به مجموعه جهانی R GLOBAL افزوده می شود و آن را خالی می سازد. اگر زمانی بدست نیاید، ( کل زمان، بلوک I ) ، چرخه توصیف شده دوباره شروع می شود، واقعاً، فرایند می تواند بین هر مورد ایجاد شده GA وقفه ایجاد کند و در چارت جریان برای آسان کردن آن نشان داده نشده است. 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، استفاده می شود. 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 شد: 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 است، 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 وجود دارد 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 استفاده 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 استفاده شده است. به منظور کاهش این ضعف ذکر شده در بالا و ایجاد امکان مقایسه کاملتر، هر دو تعداد واقعی و انتگرالی ( انسجامی) در نظر گرفته شده اند.
1-4: تنظیم و ارائه کلی پارامترهای GA

تنظیم و ارائه مناسب پارامترهای GA می تواند تفاوت زیادی در دوره های اجرایی ایجاد کند، بعضی از ارزشها و نسبتها می توانند، اجرا و عملکردهای بسیار بالایی را در نمونه های خاص ایجاد کنند، هر زمانیکه ترتیب و تصدیق اولیه توسط دیگران را بدست آورند، و حتی روی مسائل مشابه. امروزه GA های مطلق و کامل با اپراتورهای بسیار خاص و پیچیده برای مسئله های زیادی گسترش و توسعه یافته اند. برای VRPTW ، ویژگی های مذکور بسیار مهم هستند، زیرا نه تنها نوعی نمونه هستند بلکه آنها تعداد زیادی از کلاس های مسائل می باشند. برای مثال، بعضی از نمونه ها در دوره های پنجره زمانی و محدودیت های آن بسیار راحت هستند و در مثال های دیگر ترتیبات مشتریان کاملاً برای رضایتمندی محدودیتهای زمانی نیاز است. در این کا راین امکان وجود دارد که از مجموعه های متقاعد کننده ای از اپراتورها برای یک الگوریتم سریع استفاده کنیم. با در نظر گرفتن مجموعه مسائل تقسیم شده که برای کامل کردن برای یک الگوریتم سریع استفاده کنیم. با در نظر گرفتن مجموعه مسائل تقسیم شده که برای کامل کردن تحقیق به کار می رود، احتمال بسیار زیادی برای قطع راه حل های کوچک محلی وجود ندارد، در حالی که GA دارای فرصتهای زیادی برای بدست آوردن راه حل های متفاوت می باشد. در شکل 14، MAX-POP نشانگی تثبیت استفاده از تعداد موارد ایجاد شده ای می باشد که در GA برای مسئله اصلی استفاده شد. ضریب 170 بصورت تجربی برای MAX-POP ، انتخاب شده است به صورت متفاوت، تعداد راه حل های ایجاد شده در GA مشابه ، Max-POP2 ، که برای کاهش مسئله استفاده می شود، 120 می باشد. با استفاده از این پارامترها، این مکان دارد که جزیره ای از تکامل سریع مناسب را ایجاد کنیم، در جدول 1، میانگین زمانی که توسط جزیره های کامل با استفاده از کلاس های سولمون از مسائل اندازه گیری شده اند، نشان داده شده است.

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 *