توسعه الگوریتم ترکیبی ازدحام گربه‌ها با عملگرهای ژنتیکی برای حل مسئله مسیریابی وسیله نقلیه با محدودیت پنجره زمانی

نوع مقاله : یادداشت فنی

نویسندگان

1 زنجان - بلوار دانشگاه - دانشگاه زنجان - دانشکده مهندسی - گروه عمران - عضو هیئت علمی گروه تخصصی راه و ترابری

2 فارغ التحصیل دانشگاه اصفهان

3 دانشیار ، دانشکده حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

10.24200/j30.2024.63335.3268

چکیده

حمل و نقل کارآمد کالا برای کاهش هزینه‌ها، تسریع زمان تحویل و بهبود کیفیت خدمات ضروری است. مسئله مسیریابی وسیله نقلیه با محدودیت پنجره زمانی (VRPTW) یک مسئله بهینه‌سازی NP-hard در لجستیک است. این مقاله یک الگوریتم ترکیبی ازدحام گربه‌ها با عملگرهای ژنتیکی را برای حل مؤثر مسئله مسیریابی وسیله نقلیه با محدودیت پنجره زمانی ارائه می‌کند. تابع هدف روی به حداقل رساندن کل مسافت طی شده و تعداد وسایل نقلیه استفاده شده تمرکز دارد. ارزیابی اثربخشی الگوریتم با داده‌های شبیه‌سازی شده از نمونه‌های سالامون آزمایش شد. تجزیه و تحلیل مقایسه‌ای با سایر الگوریتم‌های موجود برتری آن را از نظر کیفیت راه حل و کارایی محاسباتی برجسته می‌کند. برای نمونه‌های با اندازه 50 مشتری تا 48/59 درصد بهبود در پاسخ‌های پیشین حاصل‌شده است و برای نمونه‌های با اندازه 100 مشتری در تعدادی از نمونه‌ها پاسخ‌های بهینه سراسری به‌دست‌آمده از مقالات پیشین به‌دست‌آمده است. الگوریتم پیشنهادی برای سیستم‌های حمل و نقل و لجستیک با مشتری محدود مناسب است و منجر به کاهش هزینه‌ها، بهبود زمان تحویل و افزایش کیفیت خدمات می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of Hybrid Cat Swarming algorithm with genetic operators to solve Vehicle Routing Problem with time window constraint

نویسندگان [English]

  • Amir Masoud Rahimi 1
  • Behnaz Yadegari 2
  • Mohsen Aboutalebi Esfahani 3
1 University of Zanjan
2 MSc. Graduated of Transportation Planning, Faculty of Civil Engineering and Transportation, University of Isfahan
3 Faculty of Civil and Transportation, University of Isfahan, Hezar Jarib St., Azady Sq., Isfahan, Iran
چکیده [English]

Efficient transportation of goods is crucial for cost reduction, improved delivery time, and enhanced service quality. Advanced logistics systems analyze data to find the most efficient routes. This minimizes fuel consumption and decreases transportation costs. The Vehicle Routing Problem with Time Window Constraints (VRPTW) is a classic optimization problem in the field of operations research and logistics. It is a challenging optimization problem in logistics, classified as NP-hard. Hybrid approaches combine multiple optimization techniques to improve the quality and efficiency of solutions. This paper presents a hybrid cat swarming algorithm that utilizes genetic operators to effectively address the Vehicle Routing Problem with Time Window Constraints problem. The goal is to determine the optimal routes for the vehicles, considering both the vehicle capacity constraints and the time window constraints at each customer location. In this paper the objective function of the algorithm aims to minimize both the total distance traveled and the number of vehicles utilized, ensuring efficient and cost-effective routing. The hybrid cat swarming algorithm proposed in this study offers a novel approach to tackle the challenges posed by the VRPTW problem. By integrating genetic operators such as crossover and mutation, the algorithm enhances performance and improves the quality of solutions. Its primary objective of minimizing total distance and vehicle usage guarantees efficient and economically viable routing strategies. To evaluate the effectiveness of the algorithm, it was tested using a simulated dataset of salmon samples as a benchmark. For samples comprising 50 customers, an improvement of up to 48 to 59 percent in previous response rates has been achieved. For samples comprising 100 customers, optimal global responses, as obtained from previous articles, have been observed in several instances. The proposed algorithm is suitable for transportation and logistics systems with limited customers and leads to cost reduction, improved delivery times, and increased service quality.

کلیدواژه‌ها [English]

  • Hybrid optimization vehicle routing-scheduling
  • Vehicle routing problem
  • Time window
  • Cat swarm optimization
  • Genetic algorithm