مقاله تخصیص مکان سیستم حمل و نقل درون شرکت با الگوریتم فرا ابتکاری

چکیده

این مقاله اشاره به مشکل محل تخصیص تاسیسات پارکینگ در شرکت فولاد مبارکه دارد. هدف از این مطالعه، پیداکردن محل بهینه برای تاسیسات پارکینگ و دیگر اختصاصات سفرها بین سازمان ها برای تاسیسات پارکینگ است. برای بهینهسازی هزینه و پوشش تقاضاهای حمل و نقل تمام سازمان ها، یک مدلریاضی طراحی شده و توسط یک بسته نرم افزاری تجاری حل شده است. همچنین، تعدادی وسیله نقلیه به هر پارکینگ اختصاصی داده شده است. یک الگوریتم فراابتکاری هیبرید (پیوندی)، ترکیب الگوریتم ژنتیک با آنیلینگموازی شبیهسازی شده توسعه داده شد که میتواند حتی در ساختار پیچیدهتر از این مشکل هم استفاده شود. نتایج نشان داد که الگوریتم هیبرید کارآمدی زیادی در حل این نوع مشکلات دارد.

فهرست مطالب

مشکل تخصیص مکان برای سیستم حمل و نقل درون شرکتی، در یک شرکت بزرگ با استفاده از الگوریتم فرا ابتکاری

چکیده

مقدمه

ساختار مساله

مراحل الگوریتم فرا ابتکاری

روش رمزگذاری راه حل

راه حل اولیه

دمای اولیه و پایان

تعادل

فرایند خنک کننده

تولید راه حل نزدیک

عملگر متقاطع

محاسبه مقدار تابع هدف

بهبود راه حل پایانی

بررسی بهره وری الگوریتم فرا ابتکاری

معماری پروژه

جمع آوری داده ها

دپارتمان ها (ادارات) و مکان نامزد شده

ظرفیت مکان های انتخاب شده

داده های تقاضا حمل و نقل

برآورد پارامترهای هزینه مدل

نتایج محاسباتی

نتیجه گیری

References

****************

مقاله حاضر همراه با تمامی محاسبات ، جداول و نمودارهای مربوطه و همراه با متن لاتین و فارسی می باشد.

مراحل الگوریتم فرا ابتکاری

مشکل مورد مطالعه به طور واضح یک مشکل بهینه سازی ترکیبی واضح است، که روش های عددی برای آن ممکن است کارآمد نباشد، به عبارت دیگر، یک راه حل قابل قبول در مدت زمان معقول با توجه به جنبه های پیچیده مشکل بدست نمی اید. بنابراین یک الگوریتم فرا ابتکاری کارآمد برای مشکلات بزرگ مورد نیاز است و کارایی آن می تواند با نتایج به دست آمده از حل کننده CPLEX از نرم افزار GAMS برای مشکلات کوچک مقایسه شود. الگوریتم پیشنهادی برای این مشکل، یک الگوریتم ژنتیک و آنیلینگ شبیه سازی موازی هیبرید است.

الگوریتم آنیلینگ شبیه سازی موازی یک فرمت از الگوریتم شبیه سازی آنیلینگ (SA) است. SA یک روش فرا ابتکاری در حل مسائل ترکیبی بهینه سازی کارآمد می باشد. در واقع، SA یک روش جستجو احتمالاتی است. همانگونه که از نامش برمیاید این روش تلاش می کند به تقلید فرایند ذوب فیزیکی مواد جامد، یک راه حل برای مشکل بهینه سازی ترکیبی پیدا کند. در طی فرایند آنیلینگ، مواد جامد گرم می شود تا ذوب شود و پس از آن با توجه به برنامه ریزی مناسب، مواد مذاب سرد شده تا به پایین ترین سطح انرژی برسد ...

...