حل مساله حمل و نقل با هزينه ثابت تحت شرايط فازي با استفاده از الگوريتم هاي فراابتكاري به همراه يك روش جديد نمايش جواب

Solving a Fuzzy Fixed-Charge Transportation Problem by Meta-Heuristics with a New Encoding Scheme

يكي از پر اهميت­ ترين مسايل در زنجيره‌تامين، مساله ­ي حمل و نقل است و يكي از شاخه­ هاي مساله­ ي حمل و نقل، مساله­ ي حمل و نقل هزينه ثابت است. هدف اين مقاله، توسعه­ ي يك روش مفيد و كارامد براي حل اين مساله است. براي حل اين مساله با داده­ هاي فازي، از الگوريتم­هاي مختلفي از قبيل الگوريتم ژنتيك، شبيه­سازي شده تبريد و كرم شب‌تاب، استفاده مي­شود و در ادامه يك روش جديد نمايش جواب در الگوريتم پيشنهادي ارايه مي­شود. با به كارگيري طراحي آزمايش تاگوچي پارامترهاي موجود در الگوريتم­هاي پيشنهادي تنظيم شده و بهترين حالت براي هر يك از پارامترها مشخص مي­ گردد و سپس كارايي الگوريتم­ها مورد بررسي قرار مي­ گيرد. در نهايت جهت انجام مقايسات بين سه الگوريتم پيشنهادي، چند مساله آزمايشي در دو مقياس كوچك و بزرگ توليد مي­ شود. نتايج نشان داده مي­ شود كه الگوريتم ژنتيك علاوه بر اينكه مقدار تابع هدف كم­تري دارد، به مراتب زمان محاسباتي كم­تري را براي رسيدن به جواب نزديك به بهينه صرف مي­ كند.

A transportation problem is one of the most important issues in a supply chain, and one of its branches is a fixed-charge transportation problem (FCTP). The FCTP is an NP- problem and can be formulated as an integer programming model and solved. The purpose of this paper is to develop an effective and efficient method to solve this problem. Therefore, at first, this problem will be formulated by integer programming. Then, for solving this problem, various algorithms such as genetic algorithm, simulated annealing and firefly are used. A new solution presentation for the proposed algorithm is presented. By using these algorithms having the good performance such as time calculations, memory required for calculations, and the ability to find global optimal solution when you get a computer, several examples have been solved. In fact, initially, by using the Taguchi experimental design, parameters in algorithms are adjusted and set the best option for each of the determined parameters, and then the algorithm performance is examined. Finally, to make comparisons between the three proposed algorithms, several test problems in small and large sizes are produced. It is concluded that the objective function value and computational time in the genetic algorithm is less in order to obtain a near-optimal solution.