Abstract:
مسئله جهتیابی گونه ای از مسائل کلاسیک حوزه حمل و نقل قلمداد می شود که هدف آن، یافتن بهترین مسیر جهت بازدید مجموعه ای از رئوس مفروض میباشد، مشروط بر آنکه طول مسیر از یک افق زمانی مشخص بیشتر نشود. از زمان پیدایش این مسئله، پژوهشگران متعددی با بهره گیری از ساختار خاص آن، اقدام به مدل سازی و حل مسائل متنوعی در حوزههای مختلف از جمله موضوعات و مشکلات حوزه حمل و نقل شهری کرده اند. به دلیل ماهیت NP-Hard مسئله، در این مقاله الگوریتم ژنتیک با درجه تصادفی بسیار بالا برای حل گونه ای جدید از این مسئله با عنوان مسئله جهت یابی با افق زمانی وابسته ارائه شده است. الگوریتم ژنتیک پیشنهادی از دو عملگر ترکیب و تلفیق و دو عملگر جهش استفاده کرده است که در این مقاله جهت نشان دادن همگرایی آن، بهترین جوابهای موجود در ادبیات برای ۴۰ مثال استاندارد مسئله جهت یابی، ملاک عمل قرار گرفته است؛ بدین صورت که جوابهای حاصل از حل این مثال ها با استفاده از الگوریتم پیشنهادی با آنها مقایسه شده است و به دلیل عملکرد مطلوب الگوریتم، الگوریتم مذکور برای حل مسئله جهتیابی با افق زمانی وابسته بهکار گرفته شده است.
Orientation is a type of classic transportation problem that aims to find the best route to visit a given set of vertices, provided that the length of the route exceeds a certain time horizon. Don't be. Since the emergence of this problem, many researchers have used its special structure to model and solve various problems in various fields, including issues and problems in the field of urban transportation. Due to the NP-Hard nature of the problem, this paper presents a very high degree of random genetic algorithm to solve a new type of problem called the dependent time horizon orientation problem. The proposed genetic algorithm uses two combinatorial operators and two mutation operators. In this paper, to show its convergence, the best answers in the literature for 40 standard examples of the orientation problem are used; Thus, the results of solving these examples have been compared with the proposed algorithm and due to the optimal performance of the algorithm, the algorithm has been used to solve the problem of orientation with a dependent time horizon.