حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک

هوش مصنوعی
دانلود مقاله رشته هوش مصنوعی حل مساله مسیریابی وسایل نقلیه با پنجره های زمانی با استفاده از الگوریتم ژنتیک چکیده: 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. 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. کلمات کلیدی: مسیریابی خودرو الگوریتم ژنتیک پنجره های زمانی (NRPTW) مسئله ترکیبی الگوریتم های سولمون (Solomon) 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. فهرست مطالب خلاصه: 1 مقدمه 2 2- تنظیم مدل تقسیم بندی 7 3) ژنتیک و تنظیم الگوریتم جزء بندی شده دو مرحله ای 9 103 جستجو برای راه حل های کوچک محلی 11 3-1-1 الگوریتم ژنتیک 12 3-1-1-1: مجموعه اولیه 14 3-1-1-2: انتخاب 15 3-1-1-3: تناسبات: 15 3-1-1-4: مجموع (تقاطع) 16 3-1-1-6 تغییر و دگرگونی 18 3-2: الگوریتم کامل 25 4- نتایج محاسبه شده 29 1-4: تنظیم و ارائه کلی پارامترهای GA 30 4-2 پیامدها و نتایج برای حداقل فاصله کلی 33 منبع