بهينه سازي مسير تردد سرويسهاي حمل و نقل يك شركت، با استفاده از خوشه بندي و الگوريتم ژنتيك

Optimization of Office Transportation System by using Clustering and Genetic Algorithms

يكي از راهكارهاي استفاده پايدار از منابع، سيستم حمل و نقل ادارات است. امروزه، سامانه هاي حمل و نقل به صورت دلخواه و با نظر افراد تعيين مي شوند، در حالي كه اين انتخاب بهينه نيست. بنابراين بايد روشي اتخاذ شود كه بتوان اين مسيله را به صورت كارآمد مدل كرد. از سوي ديگر در صورتي كه تعداد كارمندان در يك شركت زياد باشد، فضاي جستجوي مسيله افزايش پيدا كرده و استفاده از الگوريتمهاي رياضي مشكل است. به همين منظور در اين مقاله سعي شده است با استفاده از يك روش خوشه بندي ساده، فضاي جستجوي مسيله را كاهش داده و سپس با استفاده از الگوريتم جمعيت مبناي ژنتيك، مسير بهينه در هر خوشه براي كارمندان جستجو شود. اما يكي از مشكلات الگوريتم ژنتيك، بكارگيري عملگرهاي مناسب با شرايط مسيله است. در اين مقاله سعي شده است كه با بكارگيري عملگرهاي تقاطع و جهش مناسب و ابتكاري، شرايط حل مسيله بهبود داده شود و زمان رسيدن به جواب بهينه كاهش داده شود. اين الگوريتم در يك قسمت از شهر تهران كه اطلاعات آن مربوط به سال 1387 است، بكار گرفته شده است. با استفاده از اين الگوريتم توسعه داده شده، مسيله ضمن جوابگو بودن، در تعداد تكرار كمتري نسبت به روش ژنتيك با عملگرهاي ساده، به جواب بهينه همگرا شده و داراي آزمون تكرار پذيري بالاتري نيز هست. در نهايت پيشنهاداتي براي نزديك كردن شرايط مسيله به شرايط واقعي و استفاده از الگوريتمهاي جمعيت مبناي ديگر ارايه شده است.

One of the major solutions for sustainable use of resources is official transportation system. Nowadays, the current transportation systems are determined optionally by people opinions, whereas this choice is not optimum. Therefore, a method must be taken due to a model to solve this problem efficiently. On the other hand, if the number of employees is considerable in a company, the problem area will be increased and using the mathematic algorithms will be difficult. Therefore in this paper the authors tried to reduce the problem’s search area by simple clustering method and then searched optimum path for employees in each cluster by population-based Genetic Algorithm. But one of problems about Genetic Algorithm using operations are appropriate for problematic conditions. In this paper the authors tried to develop the problem- solving conditions by using the appropriate cross over and mutation operations and then decrease spend time for finding the optimum solution. This algorithm is used in a part of Tehran city, and the information refers to 2006. By using the developed algorithm, on one hand, problem is responsive and the on the other hand problem is converged to optimum answer with lower repetition number in comparison with genetic method with simple operations and it has high repeatable test. At the end, the authors propose some suggestions to close the problem’s condition to real world condition and using some other population-based algorithms.