الگوریتم بهینه سازی کلونی مورچه
ترجمه نشده

الگوریتم بهینه سازی کلونی مورچه

عنوان فارسی مقاله: یک الگوریتم بهینه سازی کلونی مورچه بهبود یافته برای مسئله مسیریابی دوره ای وسیله نقلیه با پنجره زمانی و انتخاب خدمات
عنوان انگلیسی مقاله: An Improved Ant Colony Optimization algorithm to the Periodic Vehicle Routing Problem with Time Window and Service Choice
مجله/کنفرانس: ازدحام و محاسبات تکاملی – Swarm and Evolutionary Computation
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات، اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: بهینه سازی کلونی مورچه، بهینه سازی چند هدفه، مسئله مسیریابی دوره ای وسیله نقلیه با پنجره زمانی، آنلینگ شبیه سازی شده، انتخاب خدمات
کلمات کلیدی انگلیسی: Ant Colony Optimization, Multi Objective Optimization, Periodic Vehicle Routing Problem with Time Window, Simulate Annealing, Service Choice
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.swevo.2020.100675
دانشگاه: College of Systems Engineering, National University of Defense Technology, Changsha, 410073, P.R. China
صفحات مقاله انگلیسی: 38
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 7.893 در سال 2019
شاخص H_index: 43 در سال 2020
شاخص SJR: 1.278 در سال 2019
شناسه ISSN: ۲۲۱۰-۶۵۰۲
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14658
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract

۱٫ Introduction

۲٫ Problem description

۳٫ Multi-Objective Simulation Annealing Ant Colony Optimization

۴٫ Numerical analysis

۵٫ Conclusion

CRediT authorship contribution statement

References

بخشی از مقاله (انگلیسی)

Abstract

This article addresses a Periodic Vehicle Routing Problem with Time Window and Service Choice problem. This problem is basically a combination of existing Periodic Vehicle Routing Problem with Time Window and Periodic Vehicle Routing Problem with Service Choice. We model it as a multi objective problem. To solve this problem, we develop a heuristic algorithm based on Improved Ant Colony Optimization (IACO) and Simulate Annealing (SA) called Multi Objective Simulate Annealing – Ant Colony Optimization (MOSA-ACO). Improvements are made in following respects: a) a Euclidean distance based solution acceptance criterion is developed; b) a parameter control pattern is designed to generate different initial solutions; c) several local search strategies are added. Benchmark instances generated from Solomon’s benchmark instances and Cordeau’s benchmarks instances are applied. Comparison algorithms include four population based heuristics and IACO. Computation experiment results show that MOSA-ACO algorithm has a good performance on solving this problem.

Introduction

In this article, we propose a special variant of existing Periodic Vehicle Routing Problem (PVRP) called Periodic Vehicle Routing Problem with Time Window and Service Choice (PVRPTW-SC). We give out a problem model which is an extension of PVRP-SC problem model. Then, a hybrid heuristic algorithm called Multi-Objective Simulation Annealing – Ant Colony Optimization (MOSA-ACO) is applied to this problem. Finally, computation experiment results are reported. Experiment instances include instances generated from VPRTW benchmark instances and PVRPTW benchmark instances. Experiment results show that the MOSA-ACO has a good performance on PVRPTW-SC. This research is first inspired by Jiting et al. [1]. In this paper, a geostationary orbit (GEO) satellite observation planning problem is introduced. The GEO satellite observation planning problem includes a GEO satellite and several targets on earth to be visited. The aim of GEO satellite observation planning problem is to find an observation plan with lowest cost and highest profit. To solve this problem, a NSGA II based algorithm and a Multi Objective Travelling Salesman Problem (MOTSP) model are implemented. In this paper, we extend this problem in several directions: a) in PVRPTW-SC problem, multi trips in a planning horizon are considered; b) time window constraint is considered; c) a changeable visit frequency of each customer in planning horizon is considered.