Aprendizaje por refuerzo para resolver el problema de generación de rutas de vehículos Github

Muchos investigadores han desarrollado varios enfoques heurísticos para resolver el OVRP. Brandão desarrolló un algoritmo de búsqueda tabú para el OVRP para generar buenas soluciones en períodos cortos de tiempo donde el investigador obtuvo mejores resultados utilizando una tenencia tabú aleatoria en lugar de una fija. Zachariadis y Kiranoudis desarrollaron un enfoque novedoso para producir soluciones iniciales para OVRP. lasceldasfotovoltaicas.com Los investigadores probaron su metaheurística en algunas instancias de OVRP bien conocidas donde se presentaron mejoras en varias de las soluciones más conocidas de estudios anteriores. Eksioglu y col. presentó una extensa revisión de la literatura para el problema de generación de rutas de vehículos, clasificó los estudios de VRP de acuerdo con sus especificaciones y construyó la taxonomía de la literatura de VRP.

Según el estudio, la literatura sobre VRP se clasificó en cinco grupos principales que contienen 106 subcategorías diferentes. Descubrieron que el número de estudios de VRP que incluyen vehículos heterogéneos y específicos de carga ha sido tres veces menor que los demás. Observamos que ha habido algunos estudios de VRP que contienen vehículos heterogéneos en la literatura. En este estudio, consideramos un OVRP con flota heterogénea donde evaluamos el proceso de carga utilizando los coeficientes de volumen software almacen y peso de los productos que aún no se ha estudiado en detalle hasta el momento. En este documento, abordamos una nueva variante del problema de generación de rutas para vehículos que combina dos variantes conocidas, a saber, el VRP rentable y el VRP con viajes múltiples. El problema resultante puede denominarse Problema de generación de rutas rentables para vehículos con varios viajes. El objetivo principal es cubrir y resolver una situación realista más compleja del transporte de distribución.

Señalamos un nuevo enfoque discursivo para la cuantificación de beneficios que es más significativo que los existentes en la literatura. Proponemos cuatro formulaciones matemáticas equivalentes para el problema que se prueban y comparan utilizando el solucionador CPLEX en instancias de pequeño tamaño. Para instancias de gran tamaño, se proponen y mejoran dos heurísticas constructivas utilizando el algoritmo Hill Climbing y Variable Neighborhood Descent basado en una estructura de codificación específica basada en tres matrices. Finalmente, se realizan experimentos computacionales extensos que incluyen instancias generadas aleatoriamente y un punto de referencia extendido y adaptado de la literatura que muestra resultados muy satisfactorios. En este documento, presentamos un problema de generación de rutas para vehículos, el MCHF / OVRP / SDMP, que aún no se ha investigado en detalle hasta ahora. Con el objetivo de minimizar el costo total de distribución, hemos formulado un modelo MIP para el problema y desarrollado un enfoque de solución basado en un algoritmo de búsqueda genético-local que requiere mucho menos tiempo computacional que el MIP. Dado que el tipo de problema discutido en este artículo no es exactamente el mismo que el de la literatura, generamos aleatoriamente diferentes problemas con diferentes rutas y demandas.

Solución

Este último contiene a la mano la ganancia total recolectada menos los costos de transporte. Cada vehículo puede realizar varias rutas bajo un estricto límite de duración de la jornada laboral. Este problema tiene un interés muy práctico, especialmente para los programas de distribución diarios con flotas de vehículos limitadas y redes de transporte de cursos cortos.

El problema de enrutamiento de ubicación de flota heterogénea con recolección, entrega y sobrecargas simultáneas

Optimización de la logística de alimentos frescos ecológicos con un problema de ruta de vehículos de flota heterogénea mediante un algoritmo genético mejorado

Sin embargo, ninguno de los estudios anteriores consideró el problema de generación de rutas de vehículos abiertos con una flota heterogénea capacitada múltiple y productos múltiples con entregas divididas juntas como en nuestro estudio. Dado que el OVRP consta de rutas hamiltonianas, debemos encontrar la mejor ruta hamiltoniana para cada conjunto de clientes asignados a un vehículo para la solución óptima. Por lo tanto, se puede concluir que el OVRP tiene una estructura NP-dura debido a los subproblemas de la ruta Hamiltoniana NP-dura.

El concepto de rentabilidad surge cuando solo se puede atender a un subconjunto de clientes por falta de medios o por insuficiencia de la oferta. En este caso, a cada cliente se le asocia un beneficio económico que se integrará a la función objetivo.

• La solución representada por su GA determina el cliente que atiende los pedidos de cada tipo de vehículo.
• Heredado de la dureza NP del problema de enrutamiento del vehículo, el MTHVRPP también es NP-hard.
• Este artículo propone además un algoritmo genético para resolver este problema.
• En comparación con los resultados sin caminos alternativos, nuestros resultados experimentales muestran que el camino alternativo en este experimento tiene un impacto significativo en los resultados experimentales en términos de huella de carbono.