مساله مسیریابی وسیله نقلیه (VRP) یکی از مهم ترین مسایل تحقیق در عملیات در صنایع و خدمات است که امروزه با توجه به هزینه بالای حمل و نقل در قیمت نهایی کالا، بسیار مورد توجه قرار می گیرد. از طرف دیگر با توجه به اینکه استفاده از وسایل نقلیه با ظرفیت های گوناگون سبب کاهش بیشتر این هزینه می گردد، مسئله مسیریابی وسایل نقلیه آمیخته (FSMVRP) ارایه شد و از آن زمان، پیشرفت قابل توجهی در مورد این مسائل و انواع آن در جهت استفاده در وسایل واقعی صورت گرفت. در این مساله، انواع مختلفی از وسایل نقلیه با ظرفیت متفاوت موجود در انبار کالای یکتا، برای خدمت به مجموعه ای از مشتریان با موقعیت های جغرافیایی شناخته شده، وجود دارند. به علاوه در این مسئله، هر یک از مشتری ها به میزان خاصی کالا نیاز دارند که باید توسط ناوگانی ثابت از وسائل نقلیه به آن ها تحویل گردد. هدف تعیین مجموعه ای از تورها برای وسائل نقلیه با کمترین هزینه است به شرط آن که هر وسیله نقلیه از انبار شروع به حرکت کرده و در انتها به آن بازگردد، هر مشتری دقیقاً یک بار توسط یک وسیله نقلیه بازدید شود و کل تقاضای مشتری های هر تور از ظرفیت هر نوع از وسیله نقلیه، که 〖,q〗, _iدر نظر گرفته می شود، تجاوز نکند. هدف این مقاله، طبقه بندی و بررسی مطالب مربوط به FSMVRP است. در این مقاله همچنین یک تحلیل مقایسه ای از الگوریتم های فراابتکاری برای این مساله ارائه شده است.

صورت کلاسیک مسأله «مسیریابی وسیله نقلیه» هزینه حمل ونقل را مربوط به کمان­ های شبکه می­ داند، در صورتی که هزینه­ های اولیه (ثابت) بکارگیری وسیله نقلیه و استخدام راننده جزء هزینه ­های اصلی حمل ونقل کالا به حساب می ­آیند. در این مقاله، مدلی برای مسأله «مسیریابی وسیله نقلیه» ارائه شده است، که در آن هزینه ­های اولیه بکارگیری وسیله به صورت مجزا و در کنار سایر هزینه ­ها کمینه می­ گردد. این مسأله یک مسأله با «پیچیدگی بالا» به حساب می ­آید، و نمی ­توان آن را در شبکه­ های درون­ شهری بزرگ به صورت دقیق و در مرتبه زمانی چندجمله ­ای حل کرد. بنابراین، برای حل مدل پیشنهادشده از الگوریتم «بهینه ­سازی اجتماع مورچگان» استفاده شده است. الگوریتم ­های قبلی بهینه ­سازی اجتماع مورچگان که برای حل مسیریابی وسیله نقلیه ارائه ­شده ­اند، قادر به در نظر گرفتن هزینه­ های اولیه بکارگیری وسیله به عنوان یک عامل هزینه در تابع هدف نیستند. یکی از نوآوری­ های این مقاله به اصلاح این الگوریتم برای منظور کردن هزینه­ های اولیه بکارگیری وسیله معطوف شده است. برای ارزیابی توان مدل پیشنهادشده، شبکه شهر مشهد با 253 ناحیه ترافیکی و یک دپو در منطقه مرکزی شهر، برای بکارگیری مدل روی شبکه واقعی انتخاب شده است. نتایج نشان می ­دهند که روش حل ارائه شده با سرعت قابل قبول (با زمانی کمتر از 2 ثانیه) به نتایج تقریبی مطلوب همگرا می­ شود. این در حالی است که حل مدل مذکور با استفاده از نرم ­افزارهای تجاری موجود ممکن نیست.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

این مقاله نوعی روش ترکیبی مورچگان (HACO) را برای حل مساله مسیریابی وسیله نقلیه ظرفیت دار (CVRP)، که یکی از مهم ترین مسائل بهینه سازی ترکیباتی است و امروزه به علت کاربردهای وسیع صنعتی توجه زیادی را به خود جلب کرده است، پیشنهاد می کند. اهداف مساله CVRP کمینه کردن تعداد وسایل نقلیه و کاهش هزینه مسیریابی برای وسایل نقلیه مورداستفاده است. درروش پیشنهادی مفهوم جستجوی همسایگی متغیر (VNS) برای حرکت از جواب جاری به جواب بعدی استفاده می شود. به علاوه سه نوع الگوریتم جستجوی محلی شامل بهبوددهنده دوگانه، درج و جابجایی برای ارتقای بیشتر الگوریتم بکار گرفته می شود. برای آزمایش کارایی الگوریتم، چهارده مثال استاندارد کریستوفیدز از 50 تا 199 مشتری در نظر گرفته شده است. نتایج محاسباتی نشان می دهد که الگوریتم HACO توانسته است که رقابت خوبی در به دست آوردن جواب های باکیفیت با الگوریتم های مشهور فراابتکاری داشته باشد. به علاوه انحراف از بهترین جواب های تاکنون به دست آمده در حدود 1 درصد است و ده بهترین جواب تاکنون پیداشده برای مثال ها به وسیله الگوریتم پیشنهادی به دست آمد.

مساله مسیریابی وسیله نقلیه یکی از مشهورترین مسائل تحقیق در عملیات است که از جایگاه بسیار مهمی در مسائل بهینه سازی ترکیباتی برخوردار است. در این مساله ناوگانی از وسایل نقلیه با ظرفیت Q از گره ای به نام انبار شروع به حرکت می کنند و بعد از سرویس دهی به مشتریان به آن باز می گردند به شرط آنکه هر کدام از مشتریان را فقط یک بار مورد ملاقات قرار دهند و در هیچ زمانی بیشتر از ظرفیت محدود Q بارگذاری نکنند. هدف کمینه کردن مسیرهای پیموده شده توسط وسایل نقلیه است. این مقاله کاربرد روش رقابت استعماری، را برای حل مساله مسیریابی وسیله نقلیه ارائه می کند. برخلاف روش های دیگر بهینه سازی، این روش از فرآیند اجتماعی-سیاسی جوامع الهام گرفته شده است و از رقابت بین کشورهای استعمارگر و مستعمره برای رسیدن به جواب استفاده می کند. برای آزمایش کارایی الگوریتم، دو دسته مثال استاندارد در نظر گرفته شده و الگوریتم بر روی آن مورد اجرا قرار گرفته است. نتایج محاسباتی روی این مثال ها که دارای اندازه ای از 50 تا 200 می باشند نشان می دهد که الگوریتم پیشنهادی توانسته رقابت خوبی با الگوریتم های مشهور فراابتکاری از نظر کیفیت جواب ها داشته باشد. به علاوه جواب های نزدیک به بهترین جواب های تاکنون بدست آمده برای بیشتر مثال ها بدست آورده شده است.

مساله مسیریابی وسیله نقلیه یکی از مهمترین مسایل بهینه سازی ترکیباتی است که امروزه بسیار مورد توجه محققان و دانشمندان قرار می گیرد. در این مساله هدف تعیین کمینه هزینه جابجایی چندین وسیله نقلیه است که بطور همزمان از انبار کالا شروع به حرکت می کنند و بعد از ملاقات کردن مشتری ها به انبار باز می گردند، به شرط آنکه اولا هر گره فقط توسط یکی از این وسایل نقلیه ملاقات شود و ثانیا هر وسیله نقلیه بیشتر از ظرفیت خود در طول مسیر بارگذاری نکند.این مقاله نوعی روش فرا ابتکاری ترکیبی برای حل مساله کلاسیک مسیریابی وسیله نقلیه پیشنهاد می کند. در فاز اول، روش اصلاحی ژنتیک برای یافتن یک جواب زیر بهین خوب بکار گرفته می شود که در آن یک روش جدید تقاطع برای ترکیب کروموزوم ها ارایه شده است. سپس در فاز دوم برای یافتن جواب های بهتر، از الگوریتم جستجوی محلی بهبود دهنده سه گانه استفاده می شود. مقایسه این روش با روش های دیگر فراابتکاری کارایی روش پیشنهادی را اثبات می کند.

مساله مسیریابی وسیله نقلیه باز (OVRP) یکی از مهم ترین گسترش های مساله مسیریابی وسیله نقلیه (VRP) است که امروزه به علت کاربردهای فراوان در مسایل صنعتی و خدماتی توجه بسیاری را به خود جلب کرده است. هدف در این مساله کمینه سازی هزینه برای مسیرهای یک ناوگان از وسایل نقلیه است که از انبار کالا شروع به حرکت کرده و تقاضاهای مشتری ها را برآورد می کنند. باید توجه کرد که در این مساله وسایل نقلیه مجبور نیستند که به انبار بازگردند. این مقاله، یک روش موثر رقابتی فراگیر (ICA) به عنوان یک الگوریتم جدید فرا ابتکاری برای حل این مساله ارایه می کند. الگوریتم پیشنهادی روی بیست و دو مثال OVRP شامل 50 تا 480 مشتری مورد آزمایش قرار گرفت. نتایج محاسباتی نشان می دهد که الگوریتم پیشنهادی با دیگر نتایج روش های فراابتکاری برای حل OVRP قابل رقابت است. همچنین نه عدد از بهترین جواب هایی که تاکنون حاصل شده، با استفاده از الگوریتم پیشنهادی به دست آمده است.