کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943014 1437614 2018 38 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Genetic local search algorithm for a new bi-objective arc routing problem with profit collection and dispersion of vehicles
ترجمه فارسی عنوان
الگوریتم جستجو محلی ژنتیک برای یک مسئله مسیر یابی دو هدف جدید با جمع آوری سود و پراکندگی وسایل نقلیه
کلمات کلیدی
مشکل بی اهمیت، سود، متریک پراکندگی، الگوریتم ژنتیک، جستجوی محلی، مسیرهای هماهنگ
ترجمه چکیده
ما یک مساله مسیریابی دو هدف جدید ارائه می دهیم که در آن مسیرها باید به منظور به حداکثر رساندن سود جمع آوری شده و متریک پراکندگی غیر خطی ساخته شوند. متریک پراکندگی براساس موقعیت های لحظه ای، مناسب برای گرفتن ویژگی های مسیریابی که در هنگام حمل وسایل نقلیه در محیط های خصمانه، مورد توجه در ادبیات مسیریابی است. ماهیت ترکیبی ذاتی این مشکل دشوار است که با استفاده از روش دقیق حل شود. ما یک الگوریتم جستجوی چندگانه ژنتیک محلی را برای حل مسئله و مقایسه نتایج با الگوریتم تکاملی چند هدفه ای به دست می آوریم. آزمایش های محاسباتی بر روی یک مجموعه جدید از نمونه های معیار انجام شد، و نتایج نشان می دهد که جستجوی محلی نقش مهمی در ارائه مجموعه های تقریبی خوب ایفا می کند. روش پیشنهادی می تواند به سایر مشکالت چند هدفه که در آن استثمار ارائه شده توسط جستجوی محلی ممکن است روش های تکاملی که معمولا تصویب می شود را بهبود بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
We present a new bi-objective arc routing problem in which routes must be constructed in order to maximize collected profit and a non linear dispersion metric. A dispersion metric calculated based on instantaneous positions, suitable to capture routing characteristics found when vehicles have to travel in hostile environments, is a novelty in the routing literature. The inherent combinatorial nature of this problem makes it difficult to solve using exact methods. We propose a Multi-objective Genetic Local Search Algorithm to solve the problem and compare the results with those obtained by a well known multi-objective evolutionary algorithm. Computational experiments were performed on a new set of benchmark instances, and the results evidence that local search plays an important role in providing good approximation sets. The proposed method can be adapted to other multi-objective problems in which the exploitation provided by local search may improve the evolutionary procedures usually adopted.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 92, February 2018, Pages 276-288
نویسندگان
, , ,