Saltar al contenido

Minimizar la huella de carbono por el momento

08/11/2020

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]

Además, cada cromosoma también lleva el número de subórdenes para cada cliente. Sería necesario señalar que esta estructura cromosómica se utiliza en nuestro estudio anterior. Cada segmento se divide a su vez en m partes, y luego, cada parte para los tipos de vehículos se divide en genes. El número de genes para lasaromaterapias.com vehículos es dos en este problema, lo que muestra el número máximo de subórdenes. Tenga en cuenta que la estructura cromosómica es conveniente para aumentar las cantidades máximas de suborden. Para decidir el número exacto de subórdenes para cada cliente, es necesario verificar la segunda sección del cromosoma.

Los resultados experimentales muestran que MIP es capaz de resolver los problemas con 10 clientes de manera óptima. Sin embargo, para los problemas que contienen entre 20 y 50 clientes, MIP no pudo alcanzar las soluciones óptimas dentro de los límites de tiempo. Además, MIP no pudo proporcionar ninguna solución viable en 2 horas para problemas de gran tamaño que contienen entre 60 y 90 clientes.

heterogeneous fleet vehicle routing problem

La integración de una de las técnicas de búsqueda local dentro de GA normalmente generará resultados más competitivos. Por ejemplo, el método de integración de propiedades de dominancia que fue desarrollado originalmente por Chang y Chen se aplicó posteriormente con éxito al problema de programación de máquinas. En el otro artículo de investigadores, que incluye la propiedad de división del trabajo en el problema de programación, se adopta un enfoque avanzado. Y en este artículo, finalmente el algoritmo adoptó el problema logístico más complejo antes mencionado que contiene limitaciones de capacidad. Al buscar todas las alternativas posibles en un cromosoma, nuestro objetivo es reducir el costo total. En el GA propuesto, un cromosoma está diseñado principalmente por una serie de números aleatorios que se generan uniformemente entre 0 y 1.

heterogeneous fleet vehicle routing problem

Por otro lado, GA es capaz de alcanzar resultados similares con una brecha del 9,66%. Además, la GA proporciona soluciones viables para problemas más grandes que tienen un tamaño similar a las aplicaciones del mundo real. Los últimos tres resultados del tiempo transcurrido de GA son superiores a 7200 segundos, que se muestran en cursiva. Es posible disminuir el tiempo transcurrido disminuyendo el número de generaciones. Por ejemplo, si el mismo algoritmo se ejecutara con 250 generaciones en lugar de 500 generaciones para el problema de 70 clientes, el tiempo transcurrido sería de 3817,24 segundos y el costo total sería de 85,660. Por lo tanto, podemos cambiar los parámetros de GA para aprovechar la flexibilidad de las aplicaciones del mundo real, y podemos organizarlos para alcanzar soluciones factibles en tiempos deseables.