In contrast to automated storage an

In contrast to automated storage and retrieval systems (AS/RSs)
used in warehousing, the cross-docking technology transships
products from incoming vehicles directly to outgoing vehicles by
using the warehouse as a temporary buffer instead of a place for
storage and retrieval, eliminating the need for storage and orderpicking.
However, classic cross-docking models treat the vehicle
routing and scheduling as two separate problems, overlooking the
advantages that can be obtained by treating them as an integrated
one. This paper proposes a bi-objective mathematical formulation
for cross-docking where vehicle routing and scheduling are
cooperatively planned to achieve maximum throughput. A cooperative
coevolution approach consisting of Hyper-heuristics and
Hybrid-heuristics has been developed to deal with the two correlated
problems and achieve continuous improvement in alternating
objectives.
We have experimented our model and algorithms on a dataset
containing four problem instances with real geographical data and
various variable settings. The advantages of the proposed model
and algorithms are shown by an illustrative example and comparative
performances with other existing models and algorithms.
The experimental results show that our cooperative coevolutionary
approach saves around 34% and 10% in transportation cost
and makespan compared to Liao's tabu search with the FCFS
scheduling policy, which treat the vehicle routing and scheduling
separately. The robustness of our cooperative coevolution
approach is verified with statistical tests including the convergence
95% confidence analysis and the worst-case analysis.
In this paper we used the weighting scheme to formulate the
bi-objective model and the weight settings in our experiments are
used for normalizing the two objective values to comparable
ranges. Another approach for tackling the bi-objective problem is
to locate the Pareto front which contains all the non-dominated
solutions. Our future work will be focused on using multiobjective
metaheuristics, such as NSGA-II or MOEA/D, in order to
find the tradeoff Pareto-optimal solution

ผลลัพธ์ (ไทย) 1:

ในทางตรงข้ามเรียกระบบและจัดเก็บอัตโนมัติ (AS / RSs)ใช้ในการจัดการคลังสินค้า เทคโนโลยีขน transshipsผลิตภัณฑ์จากรถขาเข้าโดยตรงกับรถที่ออกโดยใช้คลังสินค้าเป็นบัฟเฟอร์ชั่วคราวแทนจัดเก็บและเรียกข้อมูล จำเป็นต้องเก็บและ orderpickingอย่างไรก็ตาม รุ่นคลาสสิกขนรักษายานพาหนะสายงานการผลิต และการจัดกำหนดการเป็นสองปัญหาแยก มองเห็นการข้อดีที่สามารถรับได้ โดยการรักษาเป็นแบบบูรณาการหนึ่ง กระดาษนี้เสนอสูตรทางคณิตศาสตร์มีวัตถุประสงค์สองขนย้ายรถสายงานการผลิต และการจัดกำหนดการร่วมกันวางแผนเพื่อให้บรรลุความเร็วสูงสุด สหกรณ์วิธี coevolution ประกอบด้วย Hyper-รุก และไฮบริดรุกพัฒนาเพื่อจัดการกับสองความสัมพันธ์ปัญหาและพัฒนาอย่างต่อเนื่องสลับวัตถุประสงค์เราได้ทดลองแบบจำลองและอัลกอริทึมในการชุดข้อมูลของเราประกอบด้วยสี่ปัญหากรณี มีข้อมูลจริงทางภูมิศาสตร์ และการตั้งค่าตัวแปรต่าง ๆ ข้อดีของรูปแบบนำเสนออัลกอริทึมที่จะแสดงขึ้น โดยการจำลองตัวอย่างและเปรียบเทียบแสดง ด้วยรูปแบบที่มีอยู่และอัลกอริทึมอื่น ๆผลการทดลองแสดงว่าสหกรณ์ของเรา coevolutionaryวิธีบันทึกประมาณ 34% และ 10% ในค่าขนส่งและเมื่อเทียบกับการค้นทาบูของเลี้ยวกับแบบ FCFS makespanซึ่งการวางนโยบาย รักษารถสายงานการผลิต และการจัดกำหนดการแยกต่างหาก ความทนทานของ coevolution สหกรณ์ของเราวิธีการตรวจสอบการทดสอบทางสถิติรวมถึงการบรรจบกันวิเคราะห์ความเชื่อมั่น 95% และการวิเคราะห์งานในเอกสารนี้ เราใช้แบบน้ำหนักกำหนดมีวัตถุประสงค์สองรุ่นและค่าน้ำหนักในการทดลองของเราใช้สำหรับการ normalizing สองค่าวัตถุประสงค์เพื่อเปรียบเทียบช่วง วิธีอื่นสำหรับการแก้ปัญหาปัญหาสองวัตถุประสงค์คือการค้นหาหน้าของ Pareto ซึ่งประกอบด้วยทั้งหมดไม่ครอบงำโซลูชั่น งานของเราในอนาคตจะเน้นการใช้ multiobjectivemetaheuristics เช่น NSGA II หรือ MOEA/D เพื่อค้นหาข้อดีข้อเสีย Pareto เหมาะสมที่สุด

ผลลัพธ์ (ไทย) 2:

ในทางตรงกันข้ามกับการจัดเก็บข้อมูลแบบอัตโนมัติและระบบการดึง (AS / RSS)
ที่ใช้ในคลังสินค้าเทคโนโลยีข้ามเชื่อมต่อ transships
ผลิตภัณฑ์จากยานพาหนะที่เข้ามาโดยตรงกับยานพาหนะขาออกโดย
ใช้คลังสินค้าเป็นกันชนชั่วคราวแทนสถานที่สำหรับ
การจัดเก็บและการดึงกำจัด ความจำเป็นในการจัดเก็บและการ orderpicking.
แต่คลาสสิกรุ่นข้ามเชื่อมต่อการรักษายานพาหนะ
เส้นทางและการตั้งเวลาเป็นสองปัญหาที่แยกต่างหากที่สามารถมองเห็น
ข้อดีที่สามารถรับได้โดยการรักษาพวกเขาเป็นแบบบูรณาการ
อย่างใดอย่างหนึ่ง กระดาษนี้นำเสนอสูตรทางคณิตศาสตร์สองวัตถุประสงค์
สำหรับข้ามเทียบท่าที่กำหนดเส้นทางยานพาหนะและการกำหนดเวลาที่มีการ
วางแผนร่วมกันเพื่อให้บรรลุความเร็วสูงสุด สหกรณ์
วิธีการวิวัฒนาการร่วมประกอบด้วย Hyper-การวิเคราะห์พฤติกรรมและ
ไฮบริด heuristics ได้รับการพัฒนาในการจัดการกับทั้งสองมีความสัมพันธ์
ปัญหาและเกิดการปรับปรุงอย่างต่อเนื่องในการสลับ
วัตถุประสงค์.
เราได้ทดลองรูปแบบและขั้นตอนวิธีของเราในชุดข้อมูล
ที่มีสี่กรณีปัญหาเกี่ยวกับข้อมูลทางภูมิศาสตร์จริงและ
การตั้งค่าตัวแปรต่างๆ ข้อดีของการนำเสนอรูปแบบ
และขั้นตอนวิธีการแสดงโดยตัวอย่างที่เป็นตัวอย่างและการเปรียบเทียบ
ผลการดำเนินงานที่มีรูปแบบที่มีอยู่อื่น ๆ และอัลกอริทึม.
ผลการทดลองแสดงให้เห็นว่า coevolutionary เราสหกรณ์
วิธีการช่วยประหยัดรอบ 34% และ 10% ค่าใช้จ่ายในการขนส่ง
และ makespan เมื่อเทียบกับการค้นหาห้ามเลี้ยวของ กับ FCFS
นโยบายการจัดตารางเวลาซึ่งรักษาเส้นทางยานพาหนะและการกำหนดเวลา
ที่แยกจากกัน ทนทานของวิวัฒนาการร่วมสหกรณ์ของเรา
วิธีการที่มีการยืนยันด้วยการทดสอบทางสถิติรวมทั้งการบรรจบกัน
วิเคราะห์ความเชื่อมั่น 95% และการวิเคราะห์เลวร้ายที่สุดกรณี.
ในบทความนี้เราใช้รูปแบบการถ่วงน้ำหนักในการกำหนด
รูปแบบสองวัตถุประสงค์และการตั้งค่าน้ำหนักในการทดลองของเรามีการ
ใช้ สำหรับ normalizing สองค่าวัตถุประสงค์เพื่อเทียบเคียง
ช่วง วิธีการสำหรับการแก้ปัญหาปัญหาสองวัตถุประสงค์ก็คือ
เพื่อหาด้านหน้า Pareto ซึ่งมีไม่ครอบงำทุก
โซลูชั่น การทำงานในอนาคตของเราจะเน้นการใช้ multiobjective
metaheuristics เช่น NSGA-II หรือ MOEA / D เพื่อ
หาถ่วงดุลอำนาจการแก้ปัญหาที่ดีที่สุด Pareto

ผลลัพธ์ (ไทย) 3:

ในทางตรงกันข้ามกับระบบจัดเก็บและค้นคืนอัตโนมัติ ( AS / RSS )ที่ใช้ในคลังสินค้า , Cross Docking transships เทคโนโลยีผลิตภัณฑ์จากยานพาหนะที่เข้ามาโดยตรงหรือโดยยานพาหนะโดยใช้คลังสินค้าเป็นสถานที่สำหรับบัฟเฟอร์แทนชั่วคราวการจัดเก็บและสืบค้น , ขจัดความต้องการสำหรับการจัดเก็บและการหยิบสินค้าอย่างไรก็ตาม สำหรับรักษารถรุ่นคลาสสิกข้ามการจัดเส้นทางและตารางเวลาที่มองเห็นเป็นสองปัญหา แยกประโยชน์ที่ได้รับจากการรักษาพวกเขาเป็นแบบบูรณาการหนึ่ง บทความนี้เสนอการกำหนดวัตถุประสงค์ทางบิสำหรับการจัดเส้นทางยานพาหนะข้าม Docking ที่ตารางเป็นร่วมกันวางแผนเพื่อให้บรรลุ throughput สูงสุด เป็นสหกรณ์วิวัฒนาการและวิธีการฮิวริสติกประกอบด้วยไฮเปอร์ฮิวริสติกลูกผสมได้ถูกพัฒนาขึ้นเพื่อจัดการกับทั้งสองมีความสัมพันธ์ปัญหาและการปรับปรุงอย่างต่อเนื่องในการบรรลุวัตถุประสงค์เราได้ทดลองรูปแบบและขั้นตอนวิธีการของเราในชุดข้อมูลที่ประกอบด้วยสี่กรณีปัญหากับข้อมูลทางภูมิศาสตร์จริงการตั้งค่าตัวแปรต่างๆ ประโยชน์ของแบบจำลองและแสดงโดยมีตัวอย่างเปรียบเทียบการแสดงกับอื่น ๆที่มีอยู่ รูปแบบ และวิธีการผลการทดลองแสดงให้เห็นว่า coevolutionary สหกรณ์ของเราวิธีการบันทึกอยู่ที่ 34 % และ 10 % ในต้นทุนการขนส่งและที่เกี่ยวข้องเมื่อเทียบกับเหลียวเป็นบริการค้นหาก่อนด้วยกำหนดนโยบาย ซึ่งถือว่าการจัดเส้นทางยานพาหนะและตารางแยกต่างหาก ความทนทานของวิวัฒนาการสหกรณ์ของเราวิธีการทดสอบด้วยสถิติทดสอบได้แก่ บรรจบกันการวิเคราะห์ความเชื่อมั่น 95% และวิเคราะห์มากแน่ในกระดาษนี้เราใช้รูปแบบการสร้างน้ำหนักมีการตั้งค่าแบบบี และ น้ำหนัก ในการทดลองของเราใช้สำหรับ normalizing วัตถุประสงค์ค่าสองค่าเพื่อเปรียบช่วง อีกแนวทางในการแก้ปัญหา BI วัตถุประสงค์ ปัญหาคือค้นหาโตหน้าซึ่งมีทั้งหมดไม่ครอบงำโซลูชั่น การทำงานในอนาคตของเราจะเน้นการใช้ multiobjectiveเมตาฮิวริ ิก เช่น nsga-ii หรือ moea / D เพื่อหาข้อเสียโตที่สุด โซลูชั่น