Un rico y heterogéneo problema de generación de rutas para vehículos de flotas con ventanas de tiempo flexibles

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

Si Gene (j – 1) Customer precede a GeneCustomer en GeneVehicleType, entonces “b1” representa la diferencia de los costos de transporte entre las situaciones posteriores al intercambio y antes del intercambio. Si GeneCustomer es el primer cliente en GeneVehicleType, el segundo «b1» en el pseudocódigo representa la diferencia total de los costos de transporte entre las situaciones posteriores al intercambio y antes del intercambio. Si Gene (i – 1) Customer precede a GeneCustomer en GeneVehicleType, entonces «a1» representa la diferencia de los costos de transporte entre las situaciones posteriores al intercambio y antes del intercambio.

El problema de las rutas de los vehículos consiste en determinar un conjunto de rutas para que una flota de vehículos satisfaga las demandas de un determinado conjunto de clientes. El desarrollo y la mejora de técnicas para encontrar mejores soluciones a este problema de optimización han atraído un interés considerable ya que tales técnicas pueden producir ahorros significativos en los costos de transporte. El problema del enrutamiento de vehículos de flota heterogénea se distingue por la consideración de una flota de vehículos heterogénea, kefir.win que es un escenario muy común en las aplicaciones del mundo real, en lugar de uno homogéneo. Se han aplicado versiones híbridas de metaheurísticas que incorporan técnicas de minería de datos para resolver varios problemas de optimización, con resultados prometedores. En este artículo, proponemos versiones híbridas de una heurística de arranque múltiple para el problema de enrutamiento de vehículos de flota heterogénea basada en la metaheurística de búsqueda local iterada mediante la incorporación de técnicas de minería de datos.

Este artículo está organizado de la siguiente forma: En la Sección 2, se formula un modelo de programación de enteros mixtos. Los resultados y las conclusiones computacionales se presentan en las Secciones 4 y 5, respectivamente. Issuu es una plataforma de publicación digital que simplifica la publicación de revistas, catálogos, periódicos, libros y más en línea. Traduce textos con la mejor tecnología de traducción automática del mundo, desarrollada por los creadores de Linguee.

Si GeneCustomer es el primer cliente en GeneVehicleType, el segundo «a1» en el pseudocódigo representa la diferencia total de los costos de transporte entre después del intercambio y antes de las situaciones de intercambio. Consideramos todas las situaciones alternativas para la búsqueda local como se resume en el software mantenimiento Apéndice. Los cambios propuestos por el cliente de tipo de vehículo y tipo de vehículo se explican en la Sección 3.2.1 y la calibración de números aleatorios se explica en la Sección 3.2.2. La notación utilizada en el pseudocódigo y algunas explicaciones sobre la operación de búsqueda local son las siguientes.

Un estudio de modelos de enrutamiento de vehículos enriquecidos y técnicas de solución heurística. Investigamos las demandas del mundo real y determinamos la distribución de las mismas para dos productos como se ve en la Tabla 8. Representamos las conexiones entre clientes con una matriz de “Ruta” 0-1 como en el modelo MIP. La matriz de Rij la define el proveedor 3PL teniendo en cuenta varias comoformatearuncelular.com limitaciones, como las condiciones de la carretera o las experiencias de los conductores. Para generar diferentes problemas, determinamos la matriz Rij al azar para cada problema. Desarrollamos una matriz n × n para n clientes y definimos las celdas por distribución U. Si el valor Rab del cliente ay del cliente b es 1, significa que existe una conexión entre el cliente ay el cliente b.

Busque palabras y frases en diccionarios bilingües completos y confiables y busque entre miles de millones de traducciones en línea.

En la segunda sección del cromosoma, la cadena contiene n segmento que muestra el número de subórdenes para cada cliente. Estos números pueden ser 1 o 2 para este problema y se generan aleatoriamente para reflejar el entorno de suborden de variables. Para la estructura cromosómica en la Figura 1, tenemos oracionesasanantonio.com 2 tipos de vehículos y 3 clientes. Para CustomerA, dado que el número de subórdenes es igual a 2 como en el primer segmento del cromosoma de la segunda sección, los dos números aleatorios más pequeños se seleccionarán de la primera sección del cromosoma entre todos los números generados para CustomerA.

Este artículo propone además un algoritmo genético para resolver este problema. La solución representada por su GA determina el cliente que atiende los pedidos de cada tipo de vehículo. Luego, la verificación de capacidad se usa para clasificar múltiples rutas de cada tipo de vehículo, y la selección de ruta determina las rutas detalladas de cada ruta. Además, este documento mejora el modelo de consumo de energía utilizado para calcular la cantidad de huella de carbono con mayor precisión. 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. El problema de generación de rutas de vehículos de flota heterogénea es una variante del problema de generación de rutas de vehículos clásico en el que los clientes son atendidos por una flota heterogénea de vehículos con varias capacidades, costos fijos y variables. Se propone un nuevo esquema basado en un algoritmo genético de agrupamiento heurístico para el HVRP en cinco pasos.

Los resultados obtenidos en experimentos computacionales muestran que las heurísticas híbridas propuestas demuestran un rendimiento superior en comparación con la heurística original, alcanzando mejores costos de solución promedio con tiempos de ejecución más cortos. Heredado de la dureza NP del problema de enrutamiento del vehículo, el MTHVRPP también es NP-hard.

Debo decir que @deepdyve es una solución fabulosa al problema de los investigadores independientes de

• Por otro lado, GA pudo llegar a soluciones viables para problemas de gran envergadura en períodos de tiempo más cortos.
• Los resultados experimentales mostraron que aunque MIP pudo encontrar mejores soluciones que GA para problemas de pequeño tamaño, no fue posible obtener ninguna solución factible de problemas de gran tamaño dentro de los límites de tiempo.
• 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.
• La generación de algoritmos híbridos mediante el uso de diferentes metaheurísticas podría ser una vía de investigación valiosa.
• 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.

Minimizar la huella de carbono por el momento

Los valores seleccionados (0.2 y 0.3 para CustomerA) están en negrita en la Figura 1. Significa que el primer pedido de CustomerA será transportado por VehicleType1 y el segundo pedido de CustomerA será transportado por VehicleType2. De manera similar, el número de subórdenes es 2 para CustomerB y serán transportados por VehicleType2. El número de subórdenes es 1 para CustomerC y será transportado por VehicleType1. Un enfoque de generación de columnas para el problema de enrutamiento de vehículos de flotas heterogéneas. Aquí, Uber se utiliza para aumentar la flota de reparto de vehículos de Woodman. Cuando la demanda es menor, los vehículos Uber no se utilizan porque su capacidad es baja y su costo por milla es mayor.