مساله مكان‌يابي مسيريابي چنددپويي ظرفيت‌دار با برداشت و تحويل همزمان و بارهاي برش‌يافته: مدلسازي و حل ابتكاري

Multi depots Capacitated Location-Routing Problem with Simultaneous Pickup and Delivery and Split Loads: Formulation and heuristic methods

در مدلسازي مسايل دنياي واقعي بايد تا حد ممكن تمامي محدوديت‌هاي حاكم بر مساله را در نظر گرفت. اين رويكرد در مدلسازي سبب مي‌شود تا جواب حاصل از مدل شدني بوده و تا حد زيادي نزديك به آنچه در عمل رخ مي‌دهد، باشد. بنابراين بايد به‌دنبال ايجاد مدل‌هاي قابل اطميناني بود كه پاسخگوي تعداد قابل‌قبولي از محدوديت‌هاي موجود در هر مساله مورد بررسي باشند، كه صرفاً جنبه تيوري نداشته و در عمل نيز پركاربرد باشند. در اين مقاله مدلي رياضي طراحي مي‌گردد كه پاسخگوي شرايطي خاص با محدوديت‌هاي گوناگون و در عين حال كاربردي در حوزه مسايل مكانيابي- مسيريابي است. مساله اشاره شده، مساله مكان‌يابي مسيريابي چنددپويي ظرفيت دار با برداشت و تحويل همزمان و بارهاي برش‌يافته است. اين تحقيق بيشتر بر ويژگي برش تاكيد مي‌كند كه در عمل نيز به وفور قابل مشاهده است. برش هنگامي رخ مي‌دهد كه تقاضاي برخي از مشتريان از ظرفيت هر كدام از وسايل نقليه موجود بيشتر باشد. در اين مقاله يك مدل برنامه‌ريزي عدد صحيح مختلط براي اين مساله ارايه مي‌شود. سپس دو روش فراابتكاري تركيبي براي حل مساله در ابعاد بزرگ پيشنهاد مي‌شود. الگوريتم اول مبتني بر الگوريتم ژنتيك گسسته و ژنتيك پيوسته است كه به اختصار DCGA ناميده مي‌شود و روش دوم براساس ژنتيك گسسته و الگوريتم بهينه‌سازي تجمعي ذرات است كه DGAPSO نام دارد. در نهايت نتايج عددي حاصل از حل مسايل نمونه با استفاده از حل‌كننده سيپلكس و روش‌هاي پيشنهادي ارايه مي‌شود. تجزيه و تحليل نتايج آزمايشات موثر بودن الگوريتم‌هاي پيشنهادي به خصوص DGAPSO را نشان مي‌دهد.

Problems in real world include various constraints. So the reliable models should be designed that satisfy the reasonable number of these constraints. These models should be applicable. In this paper, regarding the mentioned circumstances, we design a model for multi depots capacitated location-routing problem with simultaneous pickup and delivery and split loads. The paper emphasis is on the split property that happens when demand of a customer exceeds vehicle capacity. We propose a mixed integer-programming model. Also we develop two metaheuristics for solving large scale instance problems. The first approach is based on discrete genetic algorithm and continuous genetic algorithm and the second one is based on discrete genetic algorithm and particle swarm optimization. Results of solving instance problems by CPLEX solver and proposed DCGA and DGAPSO algorithms show that both algorithms are effective and DGAPSO outperforms DCGA in solution quality and computation times.