چکیده:
[i] New Multi-Ant Colony Optimization (NM-ACO)
خلاصه ماشینی:
"هزینههای عملیاتی مربوط به وسایل نقلیه و نیروی انسانی برای تحویل کالا، از هزینههای مهم در فرآیند تولید است، آنبدایاسانکار و همکاران (2012) دو الگوریتم ابتکاری صرفه جویی اصلاح شده به همراه یک الگوریتم ژنتیک برای یک مسأله VRPB دو هدفه شامل حداقل کردن هزینه کل مسیریابی و هزینه طول تور سفر استفاده نمودهاند و اینکه سالهی و همکاران (2013) برای مسأله FSMVRPB یک مدل ILP و الگوریتم ابتکاری افراز مجموعه را ارائه نموده که از حل این مدل جواب بهینه برای مسائل در اندازه کوچک ایجاد و برای مثالهای بزرگ یک حد بالا و پایین ایجاد میشود.
بدین ترتیب که مورچه از دپوی مرکزی شروع به حرکت کرده و طبق قانون نسبت تصادفی زیر از میان مشتریان تخصیص یافته به وسیله نقلیه ام یعنی مجموعه که مقدارش را از مجموعه گرفته است مشتری بعدی (یعنی مشتریام) را به صورت پیدرپی تعیین و جواب مورد نظر را ایجاد میکند.
قانون نسبت تصادفی برای انتخاب مشتری ام بلافاصله بعد از مشتری ام به صورت زیر است: (21) = ∈ ∈ 0 ℎ هنگامی که لیست خالی شد، این مجموعه بصورت مشتریان خط برگشت تخصیص یافته به وسیله نقلیه ام، بههنگام میشود و سپس فاز مسیریابی در این مجموعه انجام خواهد شد.
از طرفی برای تحلیل کارایی نتایج حاصل از الگوریتم فراابتکاری پیشنهادی، یک الگوریتم ابتکاری کوتاهترین مسیر اصلاح شده 335 (الگوریتمی است ترکیبی با کلونی مورچه که شامل 2 مرحله است، یکی انتخاب وسایل نقلیه با کلونی مورچه و دیگری مسیریابی با روش کوتاهترین مسیر) را با توجه به شرایط خاص مسأله طراحی و کدنویسی نموده و به عنوان یک حد بالا برای مسایل مورد نظر در جهت موجه بودن نتایج استفاده کرده است."