La Tabla 9 indica que el modelo MIP resuelve los problemas de tamaño pequeño de manera óptima en minutos. Cuando el número de clientes aumenta a 15, MIP genera resultados similares con todos los límites de tiempo, pero no pudo probar la optimización de las soluciones dentro de los límites de tiempo.
- Señalamos un nuevo enfoque discursivo para la cuantificación de beneficios que es más significativo que los existentes en la literatura.
- 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.
- 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.
- 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.
La restricción asegura que cada vehículo tenga un solo cliente objetivo como máximo. La restricción muestra que cada cliente se decide como objetivo por un solo vehículo como máximo. La restricción garantiza que un vehículo puede atender a dos clientes como máximo; uno, si corresponde, es el cliente intermedio y el otro es el cliente objetivo. La restricción asegura que los vehículos satisfagan las demandas de los clientes. Las restricciones y representan las capacidades de los vehículos en términos de peso y volumen, respectivamente.
Solución
Teniendo en cuenta los problemas que contienen entre 20 y 50 clientes, la diferencia entre los límites de tiempo se vuelve clara y MIP_7200 funciona mejor que las otras opciones comparadas. Además, MIP_7200 alcanza soluciones con brecha más pequeña que están cerca de la optimización como se ve en la parte de% de brecha. Aunque las soluciones parecen similares con diferentes límites de tiempo, la parte de mejora aclara la contribución de los límites de tiempo 7200 a los resultados del modelo. Si usamos 3600 segundos en lugar de 1800 segundos, mejoramos los resultados con una media de 1,15%.
News for March 2016 – ConsumerAffairs
News for March 2016.
Posted: Thu, 31 Mar 2016 07:00:00 GMT [source]
Sin embargo, si usamos 7200 segundos, mejoramos los resultados con una media del 2,38%. Además, las aplicaciones del mundo real generalmente contienen más de 50 clientes, y el modelo MIP_7200 proporcionaría resultados más factibles para ejemplos más grandes; por lo tanto, limitamos el MIP en 7200 segundos para las próximas comparaciones.
Un rico y heterogéneo problema de enrutamiento de vehículos de flotas con ventanas de tiempo flexibles: un estudio de caso de la cadena de suministro de lácteos
En conclusión, el número de clientes aumenta, el problema se vuelve más difícil de resolver tanto para MIP como para GA. Sin embargo, para las aplicaciones del mundo real, GA es preferible en lugar de MIP para alcanzar soluciones factibles en períodos cortos de tiempo, organizando los parámetros del algoritmo. La función objetivo apunta a la minimización del costo total que incluye el transporte y el costo de parada de los vehículos. Para reducir el tamaño del espacio de solución, determinamos el número máximo de vehículos para el problema y usamos este conocimiento como parámetro para el índice de vehículos.
Ross Marchand.
Posted: Fri, 01 May 2020 07:00:00 GMT [source]