دوره 22، شماره 3 - ( 7-1404 )
جلد 22 شماره 3 صفحات 99-69 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Salehi Sarbijan M. Shared Customers in the Routing Problems with Feeders for Non-Similar Goods Using Particle Swarm Optimization Algorithm with Adaptive Learning Strategy and Dynamic Inertia Weight. jor 2025; 22 (3) :69-99
URL: http://jamlu.liau.ac.ir/article-1-2313-fa.html
URL: http://jamlu.liau.ac.ir/article-1-2313-fa.html
صالحی سربیژن مرتضی. مشتریان مشترک در مسائل مسیریابی با تغذیه‌کننده برای کالاهای غیر مشابه با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات با استراتژی یادگیری تطبیقی و وزن اینرسی پویا. تحقیق در عملیات در کاربردهای آن. 1404; 22 (3) :69-99
گروه مکانیک، دانشکده فنی و مهندسی، دانشگاه زابل، زابل، ایران ، m.salehisarbijan@uoz.ac.ir
چکیده: (31 مشاهده)
تنوع مکان‌های جغرافیایی مشتریان، سیستم‌های تحویل شرکت‌ها را مجبور می‌کند مسافت‌های طولانی و وسایل نقلیه بیشتری استفاده کنند که این اقدام موجب تراکم و ازدحام در شبکه‌های حمل‌ونقل شهری، آلودگی هوا، اتلاف وقت‌های طولانی در مسیر سفرهای روزانه افراد، افزایش مصرف سوخت و استهلاک وسایل نقلیه می‌گردد؛ بنابراین بررسی چالش‌های موجود در موضوع مسیریابی وسیله نقلیه و مشتریان در زنجیره تامین از اهمیت بسیار بالایی برخوردار است. مساله مسیریابی وسایل نقلیه تغذیه‌کننده (FVRP) به‌واسطه استفاده از وسایل نقلیه ناهمگن و رویکرد تغذیه‌کننده بین وسایل نقلیه کوچک و بزرگ به کاهش هزینه های توزیع کمک می‌کند. همچنین مکانیزم همکاری بین شرکت‌ها برای خدمت‌رسانی به مشتریان مشترک، منجر به صرفه‌جویی‌های قابل توجهی در تعداد وسایل نقلیه، مسافت طی‌شده و استفاده حداکثری از ظرفیت می‌شود. هدف مطالعه حاضر توسعه مساله‌ی همکارانه مسیریابی وسیله نقلیه تغذیه‌کننده (CFVRP) در چارچوب به اشتراک‌گذاری تقاضای مشتریان و متفاوت بودن کالاها با هدف حداقل کردن هزینه‌های عملیاتی می‌باشد. بعد از مدل‌سازی مسئله CFVRP با استفاده مدل برنامه ریزی عدد صحیح مختلط(MILP)، الگوریتم‌های PSO استاندارد، PSO مبتنی بر پویایی در وزن اینرسی(WPSO)، PSOبا استراتژی یادگیری تطبیقی (LAWPSO) و PSO با پویایی در وزن اینرسی و یادگیری تطبیقی (LAWPSO) برای حل آن مورد ارزیابی قرار گرفت. آزمایش‌ها بر روی دو مجموعه نمونه های کوچک (10 تا 20 مشتری) و متوسط- بزرگ (50 تا 290 مشتری) انجام شد. نتایج نشان داد که در نمونه‌های کوچک، مدل CPLEX به دلیل استفاده از روش‌های دقیق، حل‌های بهینه با شکاف نسبی صفر ارایه کرد. در مقابل، الگوریتم LAWPSO در هر دو دسته نمونه، عملکرد برتری از نظر کیفیت حل و کارایی محاسباتی نسبت به PSO، LAPSO و WPSO نشان داد. این برتری به‌ویژه در مسایل متوسط و بزرگ، که نیازمند مدیریت پیچیدگی‌های ناشی از تعداد مشتریان زیاد و تنوع تقاضا هستند، مشهود بود.
واژه‌های کلیدی: شبکه همکارانه، مساله مسیریابی وسیله نقلیه تغذیه‌کننده، مدل برنامه ریزی عدد صحیح مختلط، الگوریتم بهینه‌سازی گروه ذرات با پویایی در ضریب اینرسی و یادگیری تطبیقی.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
