ارايه روش تركيبي بهينه‌سازي جمعيت مورچه‌ها و الگوريتم ژنتيك براي حل مسيله فروشنده دوره‌گرد در GIS

انسان از ديرباز براي حل مسايل پيچيده، از جهان زنده پيرامونش الهام گرفته است. اين امر آشكارا در توسعه الگوريتم‌هاي مختلف تقريبي، از نظريه تكاملي داروين تا الگوريتم‌هاي مختلف هوش جمعي، ديده مي‌شود. مسيله فروشنده دوره‌گرد از مسايلي است كه مي‌توان آن را با الگوريتم هوش جمعي به چالش كشيد. در پژوهش حاضر ابتدا با ارزيابي و تنظيم صحيح پارامترهاي موثر در الگوريتم بهينه‌سازي كلوني مورچه‌ها، الگوريتم هوش جمعي بهبود مي‌يابد. سپس روشي تركيبي براي حل دودويي مسيله فروشنده دوره‌گرد در مقياس بزرگ و برمبناي الگوريتم بهبود‌يافته كلوني مورچه‌ها و عملگرهاي الگوريتم ژنتيك ارايه مي‌شود. به‌منظور بررسي كيفيت جواب‌هاي به‌دست‌آمده، نتايج روش پيشنهادي با نتايج دو الگوريتم بهينه‌سازي كلوني مورچه‌ها و الگوريتم ژنتيك در مسيريابي بين مراكز استان‌ها مقايسه مي‌شود. اين مقايسه بهبود در جواب‌ها، كاهش زمان اجراي الگوريتم، و كاهش حجم لازم براي ذخيره‌سازي جواب‌هاي به‌دست‌آمده در شرايط گوناگون را نشان مي‌دهد. با توجه به پايداري و بهينگي نتايج حاصل از الگوريتم مورچه بهبود‌يافته و اهميت افزايش خدمات در سامانه اطلاعات مكاني، كاربرد الگوريتم پيشنهادي در صنعت توريسم مطرح مي‌شود.

Human has always inspired by his environment to challenge complex issues. This is exposed in many approximation algorithms; from Darvin theory to numerous swarm intelligence procedures. Due to the importance of Traveling Salesman Problem (TSP) in combinatorial optimization, numerous methods are proposed to solve the problem. This paper firstly extends Ant Colony Optimization (ACO) by identifying and optimizing its efficient parameters. Then, a novel method is presented to solve TSP in large scales, based on the improved ACO and Genetic Algorithm (GA) operators. To assess the algorithm, its results are compared with two other procedures, namely ACO and GA in routings between centers of various provinces. It is demonstrated that by using the proposed algorithm, the results have been improved; the running times as well as the necessary storage for saving acquired data in different conditions are reduced. Due to paying attention to the optimum and constant results of the proposed algorithm as well as the importance of improving the services in GIS, the usage of the algorithm in tourism industry is presented.