- ข้อความ
- ประวัติศาสตร์
4.1. Ant colony optimizationThe ACO
4.1. Ant colony optimization
The ACO algorithm mimics the collective behavior of ant foraging, which was firstly introduced by Colorni et al. (1991). During the searching process for food sources, ants behave intelligently to find the optimal path to food source, which is practically achieved by the utilization of pheromone. The existence of pheromone shows the trace of an ant, and provides heuristic information for other ants, which decide whether to follow this pheromone trace or not. If the new ant chooses to follow this pheromone trace, it would reinforce the density of pheromone; otherwise the pheromone would be gradually evaporated and finally exhausted. The above decision strategies can be regarded as positive feedback and negative feedback respectively. Higher pheromone density indicates higher chosen probability. Therefore, more and more ants choose to follow the trace with high pheromone density and construct the optimal path to the food source. Since the introduction of the ACO algorithm, it has gained much popularity and diverse variants of ACO have also been proposed for adapting various CO problems, such as Ant System (Dorigo et al., 1996), Ant Colony System (Dorigo and Gambardella, 1997a) and MAX–MIN Ant System (Stützle and Hoos, 2000). More comprehensive descriptions of ant related algorithms can be found in the literature (Cordon et al., 2002).
The whole procedure of the ACO algorithm can be illustrated as follows. Initially, ants are placed on the nodes of the graph randomly. Then each ant selects a connected and unvisited node as its next movement probabilistically. The probability is influenced two factors, the distance from the current node to the next node and the pheromone on the associated edge. This movement is executed iteratively until all ants have traversed all the nodes on the graph, which is called one cycle. After each cycle, the pheromone deployment of the whole graph is updated. The principle is that whenever an ant moves through an edge, the pheromone on that edge is reinforced; otherwise, it would evaporate and be exhausted. After a certain number of cycles, the path with highest pheromone density is found, which represents the optimal solution.
The applications of ACO in green logistics are of great value as the intrinsic features of the ACO algorithm, finding the shortest route by ants, promote its popular application in vehicle routing problems. For example,Dorigo and Gambardella (1997a) firstly applied ant colonies to solve the standard TSP, while Bell and McMullen (2004) further adapted ACO techniques to handle the VRP. Moreover, Moncayo-Martínez and Zhang (2011) adopted a multi-objective ant colony optimization approach to resolve the supply chain design problem.
Apart from the general adoption of ACO, researchers are also trying to improve the effectiveness and efficiency of ACO through various means. Chen and Ting (2006) proposed an improved ant colony system (IACS) algorithm, possessing a new state transition rule, a new pheromone update rule and diverse local search approaches, to solve VRP. Agrawal and Tiwari (2007) introduced collaborative ant colony optimization (CACO) to resolve the stochastic mixed-model U-shaped disassembly line balancing and sequencing problem. The distinguishing feature of this proposed CACO was that it maintained bilateral colonies of ants which independently identified the two disassembly sequences, but using the information obtained by their collaboration to guide to the future path. Gajpal and Abad (2009b) presented a multi-ant colony system (MACS) using a new construction rule as well as two multi-route local search schemes for VRP with backhauls. Yu et al. (2009) brought forward an improved ant colony optimization (IACO) including a new pheromone updating strategy, called ant-weight strategy, and a mutation operation. Çatay (2010) came up a saving-based ant algorithm by employing a new saving-based visibility function and pheromone updating procedure. Liu et al. (2012) improved the max–min ant system based on the strategy of sorting elite ants to tackle the disassembly sequence planning.
Another direction for the improvement of the ACO algorithm is the hybridization with other techniques. Other techniques could either provide good initial solutions as the input for ACO at the beginning, or perform the function of improving the middle candidate solutions. For instance, Chen and Ting (2008) combined the Lagrangian heuristic and the ant colony system to create a new hybrid algorithm, named LH-ACS, to handle the single source capacitated FLP. Lee et al. (2010) proposed an enhanced ant colony optimization (EACO), in which the simulated annealing (SA) provided initial solutions for ACO. Zhu and Zhang (2010) presented ant colony optimization with elitist ant (ACOEA) algorithm. Both tabu search (TS) and elitist strategy were adopted in this ACOEA to improve the performance of candidate solutions. Balseiro et al. (2011) hybridized ACO with an aggressive insertion heuristic to overcome the shortcoming of ACO in case of infeasible solutions in VRP. Wang (2013) presented an adaptive ant colony algorithm (AACA), coupled with a pareto local search algorithm, to overcome the premature convergence problem when applying ACO into VRP.
4.2. Particle swarm optimization
The PSO algorithm simulates the movement of a set of particles in search space under predetermined rules in order to find the optimal position. PSO was originally proposed by Eberhart and Kennedy (1995), being inspired by bird flocking, fish schooling, and even human social behavior. Reynolds (1987) proposed a bird-oid model to simulate the behavior of bird flocking. Therein each individual followed three simple rules: collision avoidance, velocity matching, and flock centering. Derived from the bird-oid model, in PSO, individuals representing solutions herein are treated as particles, and each particle is characterized by its associated fitness value, position vector and velocity vector. Apart from the three inner attributes, each particle also memorizes its historical best position (local best position) and global best position of the swarm, and refers to those two positions whenever it moves to the next position. During the iterative process of movement, all particles gradually converge at the global optimal position.
The procedure of the PSO algorithm can be described as in the following. At the beginning, a number of particles are randomly placed in the search space. Each particle holds its position and velocity information in a vector format. Whenever movement occurs, the particle needs to update its velocity information firstly, referring to three factors: its current velocity, the local best position and the global best position. Different weightings of different factors indicate different optimization strategies. Subsequently, the particle updates its position information following the updated velocity vector. The positions of each particle correspond to candidate solutions. The local and global best positions are updated after each movement provided that the particle arrives at a better position. This procedure is conducted iteratively until the stopping criteria are met. The global best position is the optimal solution which can be found so far.
Wang and Liu (2010) proposed a chaotic particle swarm optimization (CPSO) approach to handle the assembly line balancing problem, in which the chaos method was utilized to improve the solution quality and to increase the convergence rate. Kanthavel et al. (2012) developed nested particle swarm optimization, as the integration of two other mechanism, master particle swarm optimization (MPSO) and slave particle swarm optimization (SPSO), to tackle the VRP with simultaneously delivery and pickup. Shankar et al. (2012) introduced a hybrid multi-objective particle swarm optimization (MOPSO) algorithm to solve the bi-objective distribution scheduling, while Venkatesan and Kumanan (2012) employed another multi-objective discrete particle swarm algorithm (MODPSA), containing two different global guide selection techniques, for supply chain network design.
Qi (2011) proposed an improved discrete particle swarm optimization (DPSO), in which an iterated local search (ILS) method was adopted to ensure the avoidance of the local minimum. Latha Shankar et al. (2013)integrated a non-dominated sorting (NDS) procedure in a multi-objective hybrid particle swarm optimization algorithm (MOHPSO) to achieve bi-objective optimization of two conflicting objectives. Validi et al. (2013)presented a design of an experiment (DoE) guided multiple-objective particle swarm optimization (MOPSO) optimizer, in which DoE was utilized to eliminate the un-realistic set of feasible and optimal solution sets, while another popular multi-attribute decision-making approach, TOPSIS, was employed to evaluate the solutions through exhaustive analysis, e.g. prioritization, ranking and scenario analysis.
4.3. Artificial bee colony
The artificial bee colony (ABC) algorithm was introduced by Karaboga (2005), which imitates the collective and collaborative forging behavior of a bee colony. When forging, different bees work collaboratively to explore and exploit food sources with rich nectar. The artificial bee colony consists of three types of bees, scout bees, employed bees and onlooker bees, which play different roles in the exploration and exploitation of food sources. Food sources are regarded as the solutions of specific problems, among which the ones with more nectar correspond to better solutions.
The whole procedure of the ABC algorithm can be described as follows. Scout bees are assigned to find the initial food sources by carrying out a random search in the search space. After that, employed bees are sent out to exploit the discovered food sources, and each employed bee matches one food source. During the exploitation procedure, each employed bee also carries out a neighb
The ACO algorithm mimics the collective behavior of ant foraging, which was firstly introduced by Colorni et al. (1991). During the searching process for food sources, ants behave intelligently to find the optimal path to food source, which is practically achieved by the utilization of pheromone. The existence of pheromone shows the trace of an ant, and provides heuristic information for other ants, which decide whether to follow this pheromone trace or not. If the new ant chooses to follow this pheromone trace, it would reinforce the density of pheromone; otherwise the pheromone would be gradually evaporated and finally exhausted. The above decision strategies can be regarded as positive feedback and negative feedback respectively. Higher pheromone density indicates higher chosen probability. Therefore, more and more ants choose to follow the trace with high pheromone density and construct the optimal path to the food source. Since the introduction of the ACO algorithm, it has gained much popularity and diverse variants of ACO have also been proposed for adapting various CO problems, such as Ant System (Dorigo et al., 1996), Ant Colony System (Dorigo and Gambardella, 1997a) and MAX–MIN Ant System (Stützle and Hoos, 2000). More comprehensive descriptions of ant related algorithms can be found in the literature (Cordon et al., 2002).
The whole procedure of the ACO algorithm can be illustrated as follows. Initially, ants are placed on the nodes of the graph randomly. Then each ant selects a connected and unvisited node as its next movement probabilistically. The probability is influenced two factors, the distance from the current node to the next node and the pheromone on the associated edge. This movement is executed iteratively until all ants have traversed all the nodes on the graph, which is called one cycle. After each cycle, the pheromone deployment of the whole graph is updated. The principle is that whenever an ant moves through an edge, the pheromone on that edge is reinforced; otherwise, it would evaporate and be exhausted. After a certain number of cycles, the path with highest pheromone density is found, which represents the optimal solution.
The applications of ACO in green logistics are of great value as the intrinsic features of the ACO algorithm, finding the shortest route by ants, promote its popular application in vehicle routing problems. For example,Dorigo and Gambardella (1997a) firstly applied ant colonies to solve the standard TSP, while Bell and McMullen (2004) further adapted ACO techniques to handle the VRP. Moreover, Moncayo-Martínez and Zhang (2011) adopted a multi-objective ant colony optimization approach to resolve the supply chain design problem.
Apart from the general adoption of ACO, researchers are also trying to improve the effectiveness and efficiency of ACO through various means. Chen and Ting (2006) proposed an improved ant colony system (IACS) algorithm, possessing a new state transition rule, a new pheromone update rule and diverse local search approaches, to solve VRP. Agrawal and Tiwari (2007) introduced collaborative ant colony optimization (CACO) to resolve the stochastic mixed-model U-shaped disassembly line balancing and sequencing problem. The distinguishing feature of this proposed CACO was that it maintained bilateral colonies of ants which independently identified the two disassembly sequences, but using the information obtained by their collaboration to guide to the future path. Gajpal and Abad (2009b) presented a multi-ant colony system (MACS) using a new construction rule as well as two multi-route local search schemes for VRP with backhauls. Yu et al. (2009) brought forward an improved ant colony optimization (IACO) including a new pheromone updating strategy, called ant-weight strategy, and a mutation operation. Çatay (2010) came up a saving-based ant algorithm by employing a new saving-based visibility function and pheromone updating procedure. Liu et al. (2012) improved the max–min ant system based on the strategy of sorting elite ants to tackle the disassembly sequence planning.
Another direction for the improvement of the ACO algorithm is the hybridization with other techniques. Other techniques could either provide good initial solutions as the input for ACO at the beginning, or perform the function of improving the middle candidate solutions. For instance, Chen and Ting (2008) combined the Lagrangian heuristic and the ant colony system to create a new hybrid algorithm, named LH-ACS, to handle the single source capacitated FLP. Lee et al. (2010) proposed an enhanced ant colony optimization (EACO), in which the simulated annealing (SA) provided initial solutions for ACO. Zhu and Zhang (2010) presented ant colony optimization with elitist ant (ACOEA) algorithm. Both tabu search (TS) and elitist strategy were adopted in this ACOEA to improve the performance of candidate solutions. Balseiro et al. (2011) hybridized ACO with an aggressive insertion heuristic to overcome the shortcoming of ACO in case of infeasible solutions in VRP. Wang (2013) presented an adaptive ant colony algorithm (AACA), coupled with a pareto local search algorithm, to overcome the premature convergence problem when applying ACO into VRP.
4.2. Particle swarm optimization
The PSO algorithm simulates the movement of a set of particles in search space under predetermined rules in order to find the optimal position. PSO was originally proposed by Eberhart and Kennedy (1995), being inspired by bird flocking, fish schooling, and even human social behavior. Reynolds (1987) proposed a bird-oid model to simulate the behavior of bird flocking. Therein each individual followed three simple rules: collision avoidance, velocity matching, and flock centering. Derived from the bird-oid model, in PSO, individuals representing solutions herein are treated as particles, and each particle is characterized by its associated fitness value, position vector and velocity vector. Apart from the three inner attributes, each particle also memorizes its historical best position (local best position) and global best position of the swarm, and refers to those two positions whenever it moves to the next position. During the iterative process of movement, all particles gradually converge at the global optimal position.
The procedure of the PSO algorithm can be described as in the following. At the beginning, a number of particles are randomly placed in the search space. Each particle holds its position and velocity information in a vector format. Whenever movement occurs, the particle needs to update its velocity information firstly, referring to three factors: its current velocity, the local best position and the global best position. Different weightings of different factors indicate different optimization strategies. Subsequently, the particle updates its position information following the updated velocity vector. The positions of each particle correspond to candidate solutions. The local and global best positions are updated after each movement provided that the particle arrives at a better position. This procedure is conducted iteratively until the stopping criteria are met. The global best position is the optimal solution which can be found so far.
Wang and Liu (2010) proposed a chaotic particle swarm optimization (CPSO) approach to handle the assembly line balancing problem, in which the chaos method was utilized to improve the solution quality and to increase the convergence rate. Kanthavel et al. (2012) developed nested particle swarm optimization, as the integration of two other mechanism, master particle swarm optimization (MPSO) and slave particle swarm optimization (SPSO), to tackle the VRP with simultaneously delivery and pickup. Shankar et al. (2012) introduced a hybrid multi-objective particle swarm optimization (MOPSO) algorithm to solve the bi-objective distribution scheduling, while Venkatesan and Kumanan (2012) employed another multi-objective discrete particle swarm algorithm (MODPSA), containing two different global guide selection techniques, for supply chain network design.
Qi (2011) proposed an improved discrete particle swarm optimization (DPSO), in which an iterated local search (ILS) method was adopted to ensure the avoidance of the local minimum. Latha Shankar et al. (2013)integrated a non-dominated sorting (NDS) procedure in a multi-objective hybrid particle swarm optimization algorithm (MOHPSO) to achieve bi-objective optimization of two conflicting objectives. Validi et al. (2013)presented a design of an experiment (DoE) guided multiple-objective particle swarm optimization (MOPSO) optimizer, in which DoE was utilized to eliminate the un-realistic set of feasible and optimal solution sets, while another popular multi-attribute decision-making approach, TOPSIS, was employed to evaluate the solutions through exhaustive analysis, e.g. prioritization, ranking and scenario analysis.
4.3. Artificial bee colony
The artificial bee colony (ABC) algorithm was introduced by Karaboga (2005), which imitates the collective and collaborative forging behavior of a bee colony. When forging, different bees work collaboratively to explore and exploit food sources with rich nectar. The artificial bee colony consists of three types of bees, scout bees, employed bees and onlooker bees, which play different roles in the exploration and exploitation of food sources. Food sources are regarded as the solutions of specific problems, among which the ones with more nectar correspond to better solutions.
The whole procedure of the ABC algorithm can be described as follows. Scout bees are assigned to find the initial food sources by carrying out a random search in the search space. After that, employed bees are sent out to exploit the discovered food sources, and each employed bee matches one food source. During the exploitation procedure, each employed bee also carries out a neighb
0/5000
4.1 เพิ่มประสิทธิภาพของฝูงมดอัลกอริทึม ACO เลียนแบบพฤติกรรมรวมของพวกมด ซึ่งประการแรกถูกแนะนำโดย Colorni et al. (1991) ในระหว่างกระบวนการค้นหาแหล่งอาหาร มดทำงานฉลาดในการค้นหาเส้นทางดีที่สุดแหล่งอาหาร ซึ่งสามารถทำได้จริง โดยใช้ฟีโรโมน การดำรงอยู่ของฟีโรโมนแสดงการติดตามของมด และแสดงข้อมูลแล้วสำหรับมดอื่น ๆ ซึ่งตัดสินใจว่า จะทำตามติดตามฟีโรโมนนี้ หรือไม่ ถ้ามดใหม่เลือกที่จะทำตามติดตามนี้ฟีโรโมน จะเสริมสร้างความหนาแน่นของฟีโรโมน หรือ ฟีโรโมนจะค่อย ๆ หายไป และสุดท้าย หมด กลยุทธ์การตัดสินใจดังกล่าวอาจถือเป็นการป้อนกลับเชิงบวกและคำติชมเป็นลบตามลำดับ ความหนาแน่นสูงของฟีโรโมนบ่งชี้ความน่าเป็นของท่านสูงขึ้น ดังนั้น มด มากเลือกการติดตามกับฟีโรโมนสูงความหนาแน่น และสร้างเส้นทางเหมาะสมกับแหล่งอาหาร ตั้งแต่การแนะนำของอัลกอริทึม ACO จะได้รับความนิยมมาก และยังมีการเสนอย่อยหลากหลายของ ACO สำหรับดัดแปลงปัญหาบริษัทต่าง ๆ ระบบ Ant (Dorigo et al., 1996), ระบบอาณานิคมมด (Dorigo และ Gambardella, 1997a) และ MAX – MIN ระบบ Ant (Stützle และ Hoos, 2000) คำอธิบายที่ครอบคลุมมากขึ้นของมดที่เกี่ยวข้องกับอัลกอริทึมสามารถพบได้ในวรรณคดี (กอร์ดองและ al., 2002)ขั้นตอนของอัลกอริทึม ACO สามารถแสดงได้ดังนี้ เริ่มแรก มดอยู่บนโหนของกราฟแบบสุ่ม แล้วมดแต่ละเลือกเชื่อมต่อ และเยี่ยมชมโหนเป็นการเคลื่อนย้ายต่อไป probabilistically น่าจะรับอิทธิพลสองปัจจัย ระยะทางจากโหนดปัจจุบันไปโหนถัดไปและฟีโรโมนในเกี่ยวข้อง ขบวนการนี้จะดำเนินการซ้ำ ๆ จนมดทั้งหมดได้ถูกตรวจสอบโหนทั้งหมดในกราฟ ซึ่งเรียกว่ารอบหนึ่ง หลังจากแต่ละวงจร ใช้ฟีโรโมนของกราฟทั้งหมดมีการปรับปรุง หลักการว่าเมื่อมดเคลื่อนที่ผ่านขอบ การฟีโรโมนในว่า เป็นเสริมขอบ อื่น มันจะระเหย และเหน็ดเหนื่อย หลังจากจำนวนรอบ เส้นทางที่ มีความหนาแน่นสูงสุดของฟีโรโมนพบ ซึ่งแสดงถึงการแก้ปัญหาที่ดีที่สุดโปรแกรมประยุกต์ของ ACO ในโลจิสติกส์สีเขียวมีของดีเป็นของแอพลิเคชันยอดนิยมรถปัญหาสายส่งเสริมคุณลักษณะ intrinsic ของอัลกอริธึม ACO ค้นหาเส้นทางที่สั้นที่สุด โดยมด ตัวอย่าง Dorigo และ Gambardella (1997a) ประการแรกใช้อาณานิคมมดแก้ช้อนชามาตรฐาน ในขณะที่เบลล์และ McMullen (2004) เพิ่มเติมดัดแปลง ACO เทคนิคการจัดการ VRP นอกจากนี้ Moncayo Martínez และเตียว (2011) นำวิธีเพิ่มประสิทธิภาพของฝูงมดหลายวัตถุประสงค์เพื่อแก้ไขปัญหาการออกแบบโซ่อุปทานนอกจากการยอมรับทั่วไปของ ACO นักวิจัยก็จะพยายามปรับปรุงประสิทธิผลและประสิทธิภาพของ ACO โดยวิธีต่าง ๆ เฉินถิง (2006) นำเสนอและการปรับปรุงมดฝูงระบบ (IACS) อัลกอริทึม มีกฎเปลี่ยนสถานะใหม่ ฟีโรโมนปรับปรุงกฎใหม่ และค้นหาภายในหลากหลายแนว ทาง แก้ VRP Agrawal และ Tiwari (2007) นำมาใช้เพิ่มประสิทธิภาพของฝูงมดร่วม (CACO) แก้ไขแบบเฟ้นสุ่มแบบผสมรูปตัวยูถอดรายการดุลและการจัดลำดับปัญหา คุณลักษณะที่แตกต่างนี้เสนอ CACO ถูกว่า รักษาระหว่างอาณานิคมของมดซึ่งระบุลำดับถอดสองแยกต่างหาก แต่ใช้ข้อมูลที่ได้รับ โดยความร่วมมือของพวกเขาเพื่อแนะนำเส้นทางในอนาคต Gajpal และอาบัด (2009b) นำเสนอระบบอาณานิคมมดหลาย (แม็ค) ด้วยกฎก่อสร้างใหม่รวมทั้งสองค้นหาภายในกระบวนการผลิตหลายแผนสำหรับ VRP backhauls Yu et al. (2009) เลื่อนการปรับปรุงมดอาณานิคมเพิ่มประสิทธิภาพ (IACO) รวมทั้งปรับปรุงกลยุทธ์ มดน้ำหนักกลยุทธ์ และการกลายพันธุ์ที่เรียกว่าฟีโรโมนที่ใหม่ Çatay (2010) มาเป็นอัลกอริทึมมดตามบันทึก โดยใช้ฟังก์ชันแสดงผลตามบันทึกใหม่และฟีโรโมนในการปรับปรุงขั้นตอน หลิว al. ร้อยเอ็ด (2012) ปรับปรุงระบบ max – min มดตามกลยุทธ์ของการเรียงลำดับยอดมดถอดลำดับการวางแผนเล่นงานทิศทางอื่นสำหรับการปรับปรุงอัลกอริทึม ACO hybridization กับเทคนิคอื่น ๆ ได้ เทคนิคอื่น ๆ สามารถให้โซลูชั่นเริ่มต้นที่ดีเป็นข้อมูลป้อนเข้าสำหรับ ACO ต้น หรือการของการพัฒนาโซลูชั่นกลางผู้สมัคร ตัวอย่าง เฉินและทิง (2008) รวม Lagrangian heuristic และให้สร้างตัวใหม่ผสมอัลกอริทึม ชื่อ LH-ACS การจัดการแหล่งเดียวระบบอาณานิคมมด capacitated FLP ลีเอส al. (2010) เสนอการเพิ่มมดอาณานิคมเพิ่มประสิทธิภาพ (EACO), ซึ่งการจำลองหลอม (SA) ให้แก้ไขปัญหาเบื้องต้นสำหรับ ACO ซูและเตียวมด (2010) นำเสนออาณานิคมเพิ่มประสิทธิภาพ ด้วยอัลกอริทึม elitist มด (ACOEA) ค้นทาบู (TS) และกลยุทธ์ elitist ถูกนำมาใช้ใน ACOEA นี้เพื่อปรับปรุงประสิทธิภาพของโซลูชั่นผู้สมัคร Balseiro et al. (2011) เป็น ACO ด้วย heuristic ก้าวร้าวแทรกตัวฝ่าคงของ ACO กรณีโซลูชั่นถอดใน VRP วัง (2013) แสดงเป็นแบบอะแดปทีฟมดฝูงอัลกอริทึม (AACA), ควบคู่ไปกับการ pareto ค้นหาภายในอัลกอริทึม จะเอาชนะปัญหาบรรจบกันก่อนวัยอันควรเมื่อใช้ ACO เป็น VRP4.2 เพิ่มประสิทธิภาพฝูงอนุภาคอัลกอริทึม PSO จำลองการเคลื่อนที่ของชุดของอนุภาคในพื้นที่การค้นหาภายใต้กฎที่กำหนดไว้เพื่อค้นหาตำแหน่งที่เหมาะสม PSO ถูกเสนอครั้งแรก โดย Eberhart และเคนเนดี้ (1995), มีแรงบันดาลใจ flocking นกปลา schooling และแม้กระทั่งมนุษย์พฤติกรรมทางสังคม เรย์โนลด์ส (1987) เสนอแบบนก oid เพื่อจำลองพฤติกรรมของนก flocking Therein แต่ละคนตามกฎง่าย ๆ สาม: หลีกเลี่ยงการชน การจับคู่ความเร็ว และจัดกึ่งกลางแกะ มาจากรูปแบบนก oid ใน PSO บุคคลแทนโซลูชั่นนี้จะถือว่าเป็นอนุภาค และแต่ละอนุภาคมีลักษณะเป็นค่าออกกำลังกายที่เกี่ยวข้อง เวกเตอร์ตำแหน่ง และเวกเตอร์ความเร็ว นอกจากคุณลักษณะภายใน 3 อนุภาคแต่ละยัง memorizes ของตำแหน่งสุดประวัติศาสตร์ (ท้องถิ่นสุดตำแหน่ง) และตำแหน่งดีที่สุดทั่วโลกบินว่อน และอ้างอิงถึงตำแหน่งที่สองเมื่อเคลื่อนย้ายไปยังตำแหน่งถัดไป ในระหว่างกระบวนการซ้ำของการเคลื่อนไหว อนุภาคทั้งหมดค่อย ๆ มาบรรจบกันที่ตำแหน่งดีที่สุดทั่วโลกสามารถอธิบายขั้นตอนของอัลกอริทึม PSO ดังต่อไปนี้ ในการเริ่มต้น จำนวนอนุภาคแบบสุ่มอยู่ในพื้นที่การค้นหา แต่ละอนุภาคมีตำแหน่งความเร็วข้อมูลในรูปแบบเวกเตอร์ เมื่อเกิดการเคลื่อนไหว อนุภาคต้องปรับปรุงข้อมูลของความเร็วก่อน อ้างอิงถึงปัจจัยสามประการ: ความเร็วปัจจุบัน ตำแหน่งดีที่สุดในท้องถิ่น และตำแหน่งที่ดีที่สุดทั่วโลก Weightings แตกต่างกันของปัจจัยบ่งชี้กลยุทธ์การเพิ่มประสิทธิภาพที่แตกต่างกัน ในเวลาต่อมา อนุภาคปรับปรุงข้อมูลตำแหน่งของเวกเตอร์ความเร็วที่ปรับปรุงต่อไปนี้ ตำแหน่งของอนุภาคแต่ละสอดคล้องกับการแก้ไขปัญหาผู้สมัคร ตำแหน่งดีที่สุดในท้องถิ่น และสากลมีการอัพเดหลังจากแต่ละการย้ายโดยที่อนุภาคมาถึงในตำแหน่งที่ดีขึ้น กระบวนการนี้จะดำเนินซ้ำ ๆ จนกว่าจะหยุดเป็นไปตามเกณฑ์ ตำแหน่งดีที่สุดทั่วโลกเป็นทางออกเหมาะสมซึ่งสามารถพบได้มากวังและหลิว (2010) เสนออนุภาควุ่นวายฝูงเพิ่มประสิทธิภาพ (CPSO) วิธีการจัดการสายการประกอบที่สมดุลปัญหา ซึ่งวิธีการความวุ่นวายมีใช้ การปรับปรุงแก้ไขปัญหาคุณภาพ และ การเพิ่มอัตราการลู่เข้า Kanthavel et al. (2012) อนุภาคซ้อนฝูงเพิ่มประสิทธิภาพ พัฒนาเป็นการรวมของสองกลไกอื่น ๆ อนุภาคหลักฝูงเพิ่มประสิทธิภาพ (MPSO) และทาสท่านให้อนุภาคฝูงเพิ่มประสิทธิภาพ (SPSO), เล่นงาน VRP จัดส่งพร้อมกับรถกระบะ Al. ร้อยเอ็ดแชงการ์ (2012) แนะนำการผสมอนุภาควัตถุประสงค์หลายฝูงเพิ่มประสิทธิภาพ (MOPSO) อัลกอริทึมแก้การจัดกำหนดการกระจายวัตถุประสงค์ bi ในขณะที่ Venkatesan และ Kumanan (2012) จ้างอีกอนุภาคเดี่ยว ๆ หลายวัตถุประสงค์ฝูงอัลกอริทึม (MODPSA), ประกอบด้วยสองคู่มือต่าง ๆ ทั่วโลกเลือกเทคนิค การออกแบบเครือข่ายห่วงโซ่อุปทานฉี (2011) นำเสนอเป็นอนุภาคเดี่ยว ๆ ปรับปรุงฝูงเพิ่มประสิทธิภาพ (DPSO), ซึ่งเป็นวิธีการค้นหาท้องถิ่นทวิภาควนซ้ำ (ILS) หมายถึงให้หลีกเลี่ยงของต่ำท้องถิ่น Latha แชงการ์ et al. (2013) รวมครอบงำไม่เรียง (NDS) ขั้นตอนในการผสมวัตถุประสงค์หลายอนุภาคฝูงปรับอัลกอริทึม (MOHPSO) เพื่อเพิ่มประสิทธิภาพ bi-วัตถุประสงค์ของวัตถุประสงค์ที่ขัดแย้งกันสอง Validi et al. (2013) นำเสนอการออกแบบการทดลอง (ป้องกัน) แนะนำวัตถุประสงค์หลายอนุภาคฝูงเพิ่มประสิทธิภาพเพิ่มประสิทธิภาพ (MOPSO) ซึ่งมีใช้ป้องกันกำจัดชุดไม่สมจริงของเป็นไปได้ และการตั้ง ค่าโซลูชันที่ดีที่สุด ในขณะที่อื่นนิยมหลายแอททริบิวต์ตัดสินใจวิธีการ TOPSIS ถูกว่าจ้างเพื่อประเมินการแก้ปัญหาที่ผ่านการวิเคราะห์หมดแรง เช่นระดับความสำคัญ วิเคราะห์การจัดอันดับและสถานการณ์4.3 การฝูงผึ้งประดิษฐ์อัลกอริทึม (ABC) ฝูงผึ้งประดิษฐ์ถูกนำ โดย Karaboga (2005), ซึ่ง imitates รวม และร่วมกันปลอมพฤติกรรมของฝูงผึ้ง เมื่อปลอม ผึ้งแตกต่างกันทำงานร่วมกันสำรวจ และใช้ประโยชน์แหล่งอาหารกับน้ำหวานอุดมไปด้วย ฝูงผึ้งประดิษฐ์ประกอบด้วยสามชนิดของผึ้ง ผึ้งลูกเสือ เจ้าของผึ้ง และ ผึ้ง onlooker ซึ่งบทบาทในการสำรวจและใช้ประโยชน์จากแหล่งอาหารต่าง ๆ แหล่งอาหารถือว่าเป็นการแก้ปัญหาเฉพาะ ระหว่างคนกับน้ำหวานเพิ่มเติมสอดคล้องกับโซลูชั่นที่ดีกว่าสามารถอธิบายขั้นตอนของอัลกอริทึม ABC ได้ดังนี้ มีกำหนดลูกเสือผึ้งหาแหล่งอาหารเริ่มต้น โดยการค้นหาแบบสุ่มในพื้นที่การค้นหา หลังจากนั้น ผึ้งเจ้าถูกส่งออกไปเพื่อสืบหาแหล่งอาหารที่พบ และแหล่งอาหารหนึ่งตรงกับผึ้งแต่ละเจ้า ในระหว่างขั้นตอนการเอารัดเอาเปรียบ ผึ้งแต่ละเจ้ายังดำเนินการ neighb
การแปล กรุณารอสักครู่..
4.1 การเพิ่มประสิทธิภาพของอาณานิคมมด
ขั้นตอนวิธี ACO เลียนแบบพฤติกรรมโดยรวมของการจับเหยื่อมดซึ่งเป็นที่รู้จักครั้งแรกโดย Colorni et al, (1991) ในระหว่างกระบวนการค้นหาแหล่งอาหารมดประพฤติอย่างชาญฉลาดที่จะหาเส้นทางที่ดีที่สุดไปยังแหล่งอาหารซึ่งประสบความสำเร็จในทางปฏิบัติโดยการใช้ประโยชน์จากฟีโรโมน การดำรงอยู่ของฟีโรโมนที่แสดงให้เห็นร่องรอยของมดและให้ข้อมูลแก้ปัญหาสำหรับมดอื่น ๆ ที่ตัดสินใจว่าจะทำตามร่องรอยฟีโรโมนนี้หรือไม่ ถ้ามดใหม่เลือกที่จะทำตามร่องรอยฟีโรโมนนี้ก็จะเสริมสร้างความหนาแน่นของฟีโรโมน; ฟีโรโมนเป็นอย่างอื่นจะระเหยและค่อยๆหมดในที่สุด กลยุทธ์การตัดสินใจดังกล่าวข้างต้นสามารถถือเป็นข้อเสนอแนะในเชิงบวกและลบความคิดเห็นตามลำดับ ความหนาแน่นของฟีโรโมนที่สูงขึ้นบ่งชี้ว่าน่าจะเลือกที่สูงขึ้น ดังนั้นมดมากขึ้นและเลือกที่จะทำตามร่องรอยที่มีความหนาแน่นสูงฟีโรโมนและสร้างเส้นทางที่ดีที่สุดที่จะเป็นแหล่งอาหาร ตั้งแต่การแนะนำของขั้นตอนวิธี ACO จะได้รับความนิยมมากและมีความหลากหลายของสายพันธุ์ ACO ยังได้รับการเสนอให้ปรับตัว CO ปัญหาต่างๆเช่นระบบมด (Dorigo et al., 1996), ระบบอาณานิคมมด (Dorigo และ Gambardella, 1997a ) และ MAX-MIN ระบบมด (Stützleและ Hoos, 2000) รายละเอียดที่ครอบคลุมมากขึ้นของขั้นตอนวิธีที่เกี่ยวข้องกับมดที่สามารถพบได้ในวรรณคดี (กอร์ดอง et al., 2002).
ขั้นตอนทั้งหมดของขั้นตอนวิธี ACO สามารถแสดงดังต่อไปนี้ ในขั้นต้นมดจะถูกวางไว้บนโหนดของกราฟแบบสุ่ม จากนั้นเลือกมดแต่ละโหนดที่เกี่ยวโยงกันและ unvisited การเคลื่อนไหวต่อไป probabilistically น่าจะได้รับอิทธิพลสองปัจจัยระยะทางจากโหนดปัจจุบันไปยังโหนดถัดไปและฟีโรโมนที่ขอบเกี่ยวข้อง การเคลื่อนไหวครั้งนี้จะถูกดำเนินการซ้ำจนมดทั้งหมดได้เดินทางข้ามทุกโหนดในกราฟที่เรียกว่าหนึ่งรอบ หลังจากที่แต่ละรอบการใช้งานของฟีโรโมนของกราฟทั้งที่มีการปรับปรุง หลักการก็คือว่าเมื่อใดก็ตามที่ย้ายมดผ่านขอบบนขอบฟีโรโมนที่จะเสริม; มิฉะนั้นก็จะจางหายไปและจะหมด หลังจากที่จำนวนหนึ่งของรอบเส้นทางที่มีความหนาแน่นของฟีโรโมนที่สูงที่สุดที่พบซึ่งเป็นทางออกที่ดีที่สุด.
การใช้งานของ ACO ในการขนส่งสีเขียวมีค่าที่ดีเป็นคุณสมบัติที่แท้จริงของอัลกอริทึม ACO การหาเส้นทางที่สั้นที่สุดโดยมดส่งเสริม แอพลิเคชันที่เป็นที่นิยมในปัญหาเส้นทางรถ ตัวอย่างเช่น Dorigo และ Gambardella (1997a) นำมาใช้ครั้งแรกอาณานิคมมดในการแก้ TSP มาตรฐานในขณะที่เบลล์และ McMullen (2004) ดัดแปลงต่อ ACO เทคนิคในการจัดการ VRP นอกจากนี้ Moncayo-Martínezและจาง (2011) นำมาใช้เพิ่มประสิทธิภาพของอาณานิคมมดหลายวัตถุประสงค์วิธีการในการแก้ปัญหาการออกแบบห่วงโซ่อุปทาน.
นอกเหนือจากการยอมรับโดยทั่วไปของ ACO นักวิจัยยังพยายามที่จะปรับปรุงประสิทธิภาพและประสิทธิผลของ ACO ด้วยวิธีการต่างๆ . เฉินและ Ting (2006) ที่นำเสนอระบบอาณานิคมมดที่ดีขึ้น (IACS) อัลกอริทึมที่มีการเปลี่ยนแปลงการปกครองของรัฐใหม่, การปรับปรุงกฎฟีโรโมนใหม่และมีความหลากหลายวิธีการค้นหาในท้องถิ่นเพื่อแก้ VRP Agrawal และทิวา (2007) แนะนำการเพิ่มประสิทธิภาพการทำงานร่วมกันอาณานิคมมด (CaCO) ในการแก้ไขสุ่มผสมรูปแบบรูปตัวยูสมดุลสายการถอดชิ้นส่วนและปัญหาลำดับ ลักษณะเด่นของเรื่องนี้เสนอ Caco ก็คือว่ามันจะยังคงทวิภาคีอาณานิคมของมดซึ่งเป็นอิสระระบุลำดับสองถอดชิ้นส่วน แต่การใช้ข้อมูลที่ได้รับจากการทำงานร่วมกันของพวกเขาเพื่อให้คำแนะนำไปยังเส้นทางในอนาคต Gajpal และ Abad (2009b) นำเสนอระบบอาณานิคมหลายมด (แม็ค) โดยใช้กฎการก่อสร้างใหม่เช่นเดียวกับสองเส้นทางหลายรูปแบบการค้นหาในท้องถิ่นสำหรับ VRP กับ backhauls Yu et al, (2009) นำไปข้างหน้าการเพิ่มประสิทธิภาพที่ดีขึ้นอาณานิคมมด (IACO) รวมทั้งการปรับปรุงกลยุทธ์ของฟีโรโมนใหม่ที่เรียกว่ากลยุทธ์มดน้ำหนักและการดำเนินงานการกลายพันธุ์ Çatay (2010) ขึ้นมาขั้นตอนวิธีการประหยัดมดที่ใช้โดยการใช้ฟังก์ชั่นการแสดงผลประหยัดที่ใช้ฟีโรโมนใหม่และขั้นตอนการอัพเดต หลิว et al, (2012) การปรับปรุงระบบมดสูงสุดนาทีขึ้นอยู่กับกลยุทธ์ของการเรียงลำดับมดยอดที่จะแก้ไขปัญหาการวางแผนลำดับการถอดชิ้นส่วน.
ทิศทางการปรับปรุงขั้นตอนวิธี ACO ก็คือการผสมข้ามพันธุ์กับเทคนิคอื่น ๆ เทคนิคอื่น ๆ ทั้งสามารถให้บริการโซลูชั่นการเริ่มต้นที่ดีเป็น input สำหรับ ACO ที่จุดเริ่มต้นหรือดำเนินการฟังก์ชั่นของการปรับปรุงการแก้ปัญหาผู้สมัครกลาง ยกตัวอย่างเช่นเฉินและ Ting (2008) รวมแก้ปัญหาลากรองจ์และระบบอาณานิคมมดในการสร้างอัลกอริทึมไฮบริดใหม่ชื่อ LH-เอซีเอส, การจัดการแหล่งเดียว capacitated FLP ลี et al, (2010) ได้เสนอการเพิ่มประสิทธิภาพของอาณานิคมมดที่เพิ่มขึ้น (EACO) ซึ่งอบจำลอง (SA) ให้บริการโซลูชั่นเริ่มต้นสำหรับ ACO จู้เหวย (2010) นำเสนอการเพิ่มประสิทธิภาพของอาณานิคมมดกับมดชั้นนำ (ACOEA) อัลกอริทึม ทั้งการค้นหาห้าม (TS) และกลยุทธ์การชั้นนำถูกนำมาใช้ใน ACOEA นี้เพื่อปรับปรุงประสิทธิภาพของการแก้ปัญหาของผู้สมัคร Balseiro et al, (2011) ไฮบริดที่มี ACO แทรกแก้ปัญหาในเชิงรุกเพื่อเอาชนะข้อบกพร่องของ ACO ในกรณีของการแก้ปัญหาที่เป็นไปไม่ได้ใน VRP วัง (2013) นำเสนอขั้นตอนวิธีอาณานิคมมดการปรับตัว (AACA) ควบคู่ไปกับวิธีการค้นหา Pareto ท้องถิ่นที่จะเอาชนะปัญหาการบรรจบกันก่อนวัยอันควรเมื่อใช้ ACO เข้า VRP.
4.2 การเพิ่มประสิทธิภาพของอนุภาคฝูง
PSO ขั้นตอนวิธีการเลียนแบบการเคลื่อนไหวของชุดของอนุภาคในอวกาศการค้นหาภายใต้กฎระเบียบที่กำหนดไว้ในการที่จะหาตำแหน่งที่เหมาะสม PSO แรกที่เสนอโดย Eberhart และเคนเนดี้ (1995) ถูกแรงบันดาลใจจากท่านเตือนนกศึกษาปลาและพฤติกรรมทางสังคมของมนุษย์แม้กระทั่ง นาดส์ (1987) ได้เสนอรูปแบบนก OID เพื่อจำลองการทำงานของท่านเตือนนก นั้นแต่ละคนตามกฎง่ายๆสาม: หลีกเลี่ยงการชนจับคู่ความเร็วและตรงกลางแห่ ที่ได้มาจากรูปแบบนก OID ใน PSO บุคคลที่เป็นตัวแทนของการแก้ปัญหาในที่นี้จะถือว่าเป็นอนุภาคและอนุภาคแต่ละที่โดดเด่นด้วยมูลค่าการออกกำลังกายที่เกี่ยวข้องเวกเตอร์ตำแหน่งและความเร็วเวกเตอร์ นอกเหนือจากสามคุณลักษณะภายในอนุภาคแต่ละจดจำตำแหน่งที่ดีที่สุดในประวัติศาสตร์ (ตำแหน่งที่ดีที่สุดในท้องถิ่น) และระดับโลกตำแหน่งที่ดีที่สุดของฝูงและหมายถึงทั้งสองตำแหน่งเมื่อใดก็ตามที่จะย้ายไปอยู่ในตำแหน่งต่อไป ในระหว่างกระบวนการของการเคลื่อนไหวซ้ำอนุภาคทั้งหมดค่อยมาบรรจบกันในตำแหน่งที่ดีที่สุดของโลก.
ขั้นตอนขั้นตอนวิธี PSO สามารถอธิบายได้ในต่อไปนี้ ที่จุดเริ่มต้นจำนวนของอนุภาคจะถูกวางไว้ในพื้นที่สุ่มค้นหา อนุภาคแต่ละดำรงตำแหน่งและความเร็วของข้อมูลในรูปแบบเวกเตอร์ เมื่อใดก็ตามที่การเคลื่อนไหวเกิดขึ้นอนุภาคความต้องการในการปรับปรุงข้อมูลความเร็วแรกหมายถึงปัจจัยที่สาม: ความเร็วในปัจจุบัน, ตำแหน่งที่ดีที่สุดในประเทศและตำแหน่งที่ดีที่สุดทั่วโลก น้ำหนักที่แตกต่างกันของปัจจัยที่แตกต่างกันบ่งบอกถึงกลยุทธ์การเพิ่มประสิทธิภาพที่แตกต่างกัน ต่อจากนั้นอนุภาคปรับปรุงข้อมูลตำแหน่งดังต่อไปนี้การปรับปรุงความเร็วเวกเตอร์ ตำแหน่งของอนุภาคแต่ละสอดคล้องกับการแก้ปัญหาของผู้สมัคร ตำแหน่งที่ดีที่สุดของประเทศและทั่วโลกหลังจากที่มีการปรับปรุงการเคลื่อนไหวแต่ละให้อนุภาคมาถึงตำแหน่งที่ดีขึ้น ขั้นตอนนี้จะดำเนินการซ้ำจนกว่าจะหยุดเกณฑ์ที่จะได้พบกับ ตำแหน่งที่ดีที่สุดระดับโลกเป็นทางออกที่ดีที่สุดซึ่งสามารถพบได้เพื่อให้ห่างไกล.
วังและหลิว (2010) ได้เสนอการเพิ่มประสิทธิภาพจับกลุ่มอนุภาควุ่นวาย (CPSO) วิธีการที่จะจัดการกับปัญหาสมดุลสายการผลิตซึ่งในวิธีการความวุ่นวายที่ถูกนำมาใช้ในการปรับปรุงการแก้ปัญหา คุณภาพและการเพิ่มอัตราการบรรจบกัน Kanthavel et al, (2012) ได้รับการพัฒนาเพิ่มประสิทธิภาพจับกลุ่มอนุภาคที่ซ้อนกันเป็นการบูรณาการของทั้งสองกลไกอื่น ๆ เพิ่มประสิทธิภาพจับกลุ่มอนุภาคต้นแบบ (MPSO) และการเพิ่มประสิทธิภาพของอนุภาคทาสฝูง (SPSO) ที่จะแก้ไขปัญหา VRP กับการส่งมอบพร้อมกันและรถกระบะ การ์ตอัล (2012) แนะนำไฮบริดเพิ่มประสิทธิภาพจับกลุ่มอนุภาคหลายวัตถุประสงค์ (MOPSO) ขั้นตอนวิธีการที่จะแก้ปัญหาการจัดตารางเวลาการกระจายสองวัตถุประสงค์ขณะ Venkatesan และ Kumanan (2012) การจ้างงานอีกขั้นตอนวิธีฝูงอนุภาคหลายวัตถุประสงค์ที่ไม่ต่อเนื่อง (MODPSA) ที่มีสองระดับโลกที่แตกต่างกันคู่มือ เทคนิคการเลือกสำหรับการออกแบบเครือข่ายห่วงโซ่อุปทาน.
ฉี (2011) เสนอการเพิ่มประสิทธิภาพจับกลุ่มอนุภาคที่ดีขึ้นต่อเนื่อง (DPSO) ซึ่งในการค้นหาในท้องถิ่นซ้ำ (ILS) วิธีการถูกนำมาใช้เพื่อให้แน่ใจว่าการหลีกเลี่ยงขั้นต่ำในท้องถิ่น Latha การ์ตอัล (2013) บูรณาการการเรียงลำดับที่ไม่โดดเด่น (NDS) ขั้นตอนในอนุภาคหลายวัตถุประสงค์ไฮบริดฝูงขั้นตอนวิธีการเพิ่มประสิทธิภาพ (MOHPSO) เพื่อให้บรรลุการเพิ่มประสิทธิภาพสองวัตถุประสงค์ของวัตถุประสงค์ที่ขัดแย้งกัน Validi et al, (2013) นำเสนอการออกแบบการทดลอง (DoE) แนะนำหลายวัตถุประสงค์การเพิ่มประสิทธิภาพของอนุภาคฝูง (MOPSO) เพิ่มประสิทธิภาพในการที่ DoE ถูกนำมาใช้เพื่อกำจัดชุดยกเลิกจริงของชุดโซลูชั่นที่เป็นไปได้และที่ดีที่สุดในขณะที่อีกหลายตัดสินใจแอตทริบิวต์ที่นิยม วิธี -making, TOPSIS ถูกใช้ในการประเมินการแก้ปัญหาผ่านการวิเคราะห์อย่างละเอียดเช่นจัดลำดับความสำคัญการจัดอันดับและการวิเคราะห์สถานการณ์.
4.3 ฝูงผึ้งประดิษฐ์
ฝูงผึ้งเทียม (ABC) ขั้นตอนวิธีการได้รับการแนะนำโดย Karaboga (2005) ซึ่งเลียนแบบพฤติกรรมของปลอมรวมและการทำงานร่วมกันของฝูงผึ้ง เมื่อปลอมผึ้งที่แตกต่างกันทำงานร่วมกันในการสำรวจและใช้ประโยชน์จากแหล่งอาหารที่อุดมไปด้วยน้ำหวาน ฝูงผึ้งเทียมประกอบด้วยสามชนิดของผึ้งผึ้งลูกเสือผึ้งงานและผึ้งผู้ชมซึ่งมีบทบาทที่แตกต่างกันในการสำรวจและการใช้ประโยชน์จากแหล่งอาหาร แหล่งอาหารที่ได้รับการยกย่องเป็นโซลูชั่นของปัญหาเฉพาะในระหว่างที่คนที่มีน้ำหวานมากขึ้นสอดคล้องกับการแก้ปัญหาที่ดีกว่า.
ขั้นตอนทั้งหมดของขั้นตอนวิธี ABC สามารถอธิบายได้ดังต่อไปนี้ ผึ้งลูกเสือที่ได้รับมอบหมายในการหาแหล่งอาหารที่เริ่มต้นโดยการดำเนินการค้นหาในพื้นที่สุ่มค้นหา หลังจากนั้นผึ้งลูกจ้างจะมีการส่งออกจะใช้ประโยชน์จากแหล่งอาหารที่ค้นพบและแต่ละผึ้งลูกจ้างตรงกับแหล่งอาหารอย่างใดอย่างหนึ่ง ในระหว่างขั้นตอนการแสวงหาผลประโยชน์แต่ละผึ้งยังใช้ดำเนินการ neighb
ขั้นตอนวิธี ACO เลียนแบบพฤติกรรมโดยรวมของการจับเหยื่อมดซึ่งเป็นที่รู้จักครั้งแรกโดย Colorni et al, (1991) ในระหว่างกระบวนการค้นหาแหล่งอาหารมดประพฤติอย่างชาญฉลาดที่จะหาเส้นทางที่ดีที่สุดไปยังแหล่งอาหารซึ่งประสบความสำเร็จในทางปฏิบัติโดยการใช้ประโยชน์จากฟีโรโมน การดำรงอยู่ของฟีโรโมนที่แสดงให้เห็นร่องรอยของมดและให้ข้อมูลแก้ปัญหาสำหรับมดอื่น ๆ ที่ตัดสินใจว่าจะทำตามร่องรอยฟีโรโมนนี้หรือไม่ ถ้ามดใหม่เลือกที่จะทำตามร่องรอยฟีโรโมนนี้ก็จะเสริมสร้างความหนาแน่นของฟีโรโมน; ฟีโรโมนเป็นอย่างอื่นจะระเหยและค่อยๆหมดในที่สุด กลยุทธ์การตัดสินใจดังกล่าวข้างต้นสามารถถือเป็นข้อเสนอแนะในเชิงบวกและลบความคิดเห็นตามลำดับ ความหนาแน่นของฟีโรโมนที่สูงขึ้นบ่งชี้ว่าน่าจะเลือกที่สูงขึ้น ดังนั้นมดมากขึ้นและเลือกที่จะทำตามร่องรอยที่มีความหนาแน่นสูงฟีโรโมนและสร้างเส้นทางที่ดีที่สุดที่จะเป็นแหล่งอาหาร ตั้งแต่การแนะนำของขั้นตอนวิธี ACO จะได้รับความนิยมมากและมีความหลากหลายของสายพันธุ์ ACO ยังได้รับการเสนอให้ปรับตัว CO ปัญหาต่างๆเช่นระบบมด (Dorigo et al., 1996), ระบบอาณานิคมมด (Dorigo และ Gambardella, 1997a ) และ MAX-MIN ระบบมด (Stützleและ Hoos, 2000) รายละเอียดที่ครอบคลุมมากขึ้นของขั้นตอนวิธีที่เกี่ยวข้องกับมดที่สามารถพบได้ในวรรณคดี (กอร์ดอง et al., 2002).
ขั้นตอนทั้งหมดของขั้นตอนวิธี ACO สามารถแสดงดังต่อไปนี้ ในขั้นต้นมดจะถูกวางไว้บนโหนดของกราฟแบบสุ่ม จากนั้นเลือกมดแต่ละโหนดที่เกี่ยวโยงกันและ unvisited การเคลื่อนไหวต่อไป probabilistically น่าจะได้รับอิทธิพลสองปัจจัยระยะทางจากโหนดปัจจุบันไปยังโหนดถัดไปและฟีโรโมนที่ขอบเกี่ยวข้อง การเคลื่อนไหวครั้งนี้จะถูกดำเนินการซ้ำจนมดทั้งหมดได้เดินทางข้ามทุกโหนดในกราฟที่เรียกว่าหนึ่งรอบ หลังจากที่แต่ละรอบการใช้งานของฟีโรโมนของกราฟทั้งที่มีการปรับปรุง หลักการก็คือว่าเมื่อใดก็ตามที่ย้ายมดผ่านขอบบนขอบฟีโรโมนที่จะเสริม; มิฉะนั้นก็จะจางหายไปและจะหมด หลังจากที่จำนวนหนึ่งของรอบเส้นทางที่มีความหนาแน่นของฟีโรโมนที่สูงที่สุดที่พบซึ่งเป็นทางออกที่ดีที่สุด.
การใช้งานของ ACO ในการขนส่งสีเขียวมีค่าที่ดีเป็นคุณสมบัติที่แท้จริงของอัลกอริทึม ACO การหาเส้นทางที่สั้นที่สุดโดยมดส่งเสริม แอพลิเคชันที่เป็นที่นิยมในปัญหาเส้นทางรถ ตัวอย่างเช่น Dorigo และ Gambardella (1997a) นำมาใช้ครั้งแรกอาณานิคมมดในการแก้ TSP มาตรฐานในขณะที่เบลล์และ McMullen (2004) ดัดแปลงต่อ ACO เทคนิคในการจัดการ VRP นอกจากนี้ Moncayo-Martínezและจาง (2011) นำมาใช้เพิ่มประสิทธิภาพของอาณานิคมมดหลายวัตถุประสงค์วิธีการในการแก้ปัญหาการออกแบบห่วงโซ่อุปทาน.
นอกเหนือจากการยอมรับโดยทั่วไปของ ACO นักวิจัยยังพยายามที่จะปรับปรุงประสิทธิภาพและประสิทธิผลของ ACO ด้วยวิธีการต่างๆ . เฉินและ Ting (2006) ที่นำเสนอระบบอาณานิคมมดที่ดีขึ้น (IACS) อัลกอริทึมที่มีการเปลี่ยนแปลงการปกครองของรัฐใหม่, การปรับปรุงกฎฟีโรโมนใหม่และมีความหลากหลายวิธีการค้นหาในท้องถิ่นเพื่อแก้ VRP Agrawal และทิวา (2007) แนะนำการเพิ่มประสิทธิภาพการทำงานร่วมกันอาณานิคมมด (CaCO) ในการแก้ไขสุ่มผสมรูปแบบรูปตัวยูสมดุลสายการถอดชิ้นส่วนและปัญหาลำดับ ลักษณะเด่นของเรื่องนี้เสนอ Caco ก็คือว่ามันจะยังคงทวิภาคีอาณานิคมของมดซึ่งเป็นอิสระระบุลำดับสองถอดชิ้นส่วน แต่การใช้ข้อมูลที่ได้รับจากการทำงานร่วมกันของพวกเขาเพื่อให้คำแนะนำไปยังเส้นทางในอนาคต Gajpal และ Abad (2009b) นำเสนอระบบอาณานิคมหลายมด (แม็ค) โดยใช้กฎการก่อสร้างใหม่เช่นเดียวกับสองเส้นทางหลายรูปแบบการค้นหาในท้องถิ่นสำหรับ VRP กับ backhauls Yu et al, (2009) นำไปข้างหน้าการเพิ่มประสิทธิภาพที่ดีขึ้นอาณานิคมมด (IACO) รวมทั้งการปรับปรุงกลยุทธ์ของฟีโรโมนใหม่ที่เรียกว่ากลยุทธ์มดน้ำหนักและการดำเนินงานการกลายพันธุ์ Çatay (2010) ขึ้นมาขั้นตอนวิธีการประหยัดมดที่ใช้โดยการใช้ฟังก์ชั่นการแสดงผลประหยัดที่ใช้ฟีโรโมนใหม่และขั้นตอนการอัพเดต หลิว et al, (2012) การปรับปรุงระบบมดสูงสุดนาทีขึ้นอยู่กับกลยุทธ์ของการเรียงลำดับมดยอดที่จะแก้ไขปัญหาการวางแผนลำดับการถอดชิ้นส่วน.
ทิศทางการปรับปรุงขั้นตอนวิธี ACO ก็คือการผสมข้ามพันธุ์กับเทคนิคอื่น ๆ เทคนิคอื่น ๆ ทั้งสามารถให้บริการโซลูชั่นการเริ่มต้นที่ดีเป็น input สำหรับ ACO ที่จุดเริ่มต้นหรือดำเนินการฟังก์ชั่นของการปรับปรุงการแก้ปัญหาผู้สมัครกลาง ยกตัวอย่างเช่นเฉินและ Ting (2008) รวมแก้ปัญหาลากรองจ์และระบบอาณานิคมมดในการสร้างอัลกอริทึมไฮบริดใหม่ชื่อ LH-เอซีเอส, การจัดการแหล่งเดียว capacitated FLP ลี et al, (2010) ได้เสนอการเพิ่มประสิทธิภาพของอาณานิคมมดที่เพิ่มขึ้น (EACO) ซึ่งอบจำลอง (SA) ให้บริการโซลูชั่นเริ่มต้นสำหรับ ACO จู้เหวย (2010) นำเสนอการเพิ่มประสิทธิภาพของอาณานิคมมดกับมดชั้นนำ (ACOEA) อัลกอริทึม ทั้งการค้นหาห้าม (TS) และกลยุทธ์การชั้นนำถูกนำมาใช้ใน ACOEA นี้เพื่อปรับปรุงประสิทธิภาพของการแก้ปัญหาของผู้สมัคร Balseiro et al, (2011) ไฮบริดที่มี ACO แทรกแก้ปัญหาในเชิงรุกเพื่อเอาชนะข้อบกพร่องของ ACO ในกรณีของการแก้ปัญหาที่เป็นไปไม่ได้ใน VRP วัง (2013) นำเสนอขั้นตอนวิธีอาณานิคมมดการปรับตัว (AACA) ควบคู่ไปกับวิธีการค้นหา Pareto ท้องถิ่นที่จะเอาชนะปัญหาการบรรจบกันก่อนวัยอันควรเมื่อใช้ ACO เข้า VRP.
4.2 การเพิ่มประสิทธิภาพของอนุภาคฝูง
PSO ขั้นตอนวิธีการเลียนแบบการเคลื่อนไหวของชุดของอนุภาคในอวกาศการค้นหาภายใต้กฎระเบียบที่กำหนดไว้ในการที่จะหาตำแหน่งที่เหมาะสม PSO แรกที่เสนอโดย Eberhart และเคนเนดี้ (1995) ถูกแรงบันดาลใจจากท่านเตือนนกศึกษาปลาและพฤติกรรมทางสังคมของมนุษย์แม้กระทั่ง นาดส์ (1987) ได้เสนอรูปแบบนก OID เพื่อจำลองการทำงานของท่านเตือนนก นั้นแต่ละคนตามกฎง่ายๆสาม: หลีกเลี่ยงการชนจับคู่ความเร็วและตรงกลางแห่ ที่ได้มาจากรูปแบบนก OID ใน PSO บุคคลที่เป็นตัวแทนของการแก้ปัญหาในที่นี้จะถือว่าเป็นอนุภาคและอนุภาคแต่ละที่โดดเด่นด้วยมูลค่าการออกกำลังกายที่เกี่ยวข้องเวกเตอร์ตำแหน่งและความเร็วเวกเตอร์ นอกเหนือจากสามคุณลักษณะภายในอนุภาคแต่ละจดจำตำแหน่งที่ดีที่สุดในประวัติศาสตร์ (ตำแหน่งที่ดีที่สุดในท้องถิ่น) และระดับโลกตำแหน่งที่ดีที่สุดของฝูงและหมายถึงทั้งสองตำแหน่งเมื่อใดก็ตามที่จะย้ายไปอยู่ในตำแหน่งต่อไป ในระหว่างกระบวนการของการเคลื่อนไหวซ้ำอนุภาคทั้งหมดค่อยมาบรรจบกันในตำแหน่งที่ดีที่สุดของโลก.
ขั้นตอนขั้นตอนวิธี PSO สามารถอธิบายได้ในต่อไปนี้ ที่จุดเริ่มต้นจำนวนของอนุภาคจะถูกวางไว้ในพื้นที่สุ่มค้นหา อนุภาคแต่ละดำรงตำแหน่งและความเร็วของข้อมูลในรูปแบบเวกเตอร์ เมื่อใดก็ตามที่การเคลื่อนไหวเกิดขึ้นอนุภาคความต้องการในการปรับปรุงข้อมูลความเร็วแรกหมายถึงปัจจัยที่สาม: ความเร็วในปัจจุบัน, ตำแหน่งที่ดีที่สุดในประเทศและตำแหน่งที่ดีที่สุดทั่วโลก น้ำหนักที่แตกต่างกันของปัจจัยที่แตกต่างกันบ่งบอกถึงกลยุทธ์การเพิ่มประสิทธิภาพที่แตกต่างกัน ต่อจากนั้นอนุภาคปรับปรุงข้อมูลตำแหน่งดังต่อไปนี้การปรับปรุงความเร็วเวกเตอร์ ตำแหน่งของอนุภาคแต่ละสอดคล้องกับการแก้ปัญหาของผู้สมัคร ตำแหน่งที่ดีที่สุดของประเทศและทั่วโลกหลังจากที่มีการปรับปรุงการเคลื่อนไหวแต่ละให้อนุภาคมาถึงตำแหน่งที่ดีขึ้น ขั้นตอนนี้จะดำเนินการซ้ำจนกว่าจะหยุดเกณฑ์ที่จะได้พบกับ ตำแหน่งที่ดีที่สุดระดับโลกเป็นทางออกที่ดีที่สุดซึ่งสามารถพบได้เพื่อให้ห่างไกล.
วังและหลิว (2010) ได้เสนอการเพิ่มประสิทธิภาพจับกลุ่มอนุภาควุ่นวาย (CPSO) วิธีการที่จะจัดการกับปัญหาสมดุลสายการผลิตซึ่งในวิธีการความวุ่นวายที่ถูกนำมาใช้ในการปรับปรุงการแก้ปัญหา คุณภาพและการเพิ่มอัตราการบรรจบกัน Kanthavel et al, (2012) ได้รับการพัฒนาเพิ่มประสิทธิภาพจับกลุ่มอนุภาคที่ซ้อนกันเป็นการบูรณาการของทั้งสองกลไกอื่น ๆ เพิ่มประสิทธิภาพจับกลุ่มอนุภาคต้นแบบ (MPSO) และการเพิ่มประสิทธิภาพของอนุภาคทาสฝูง (SPSO) ที่จะแก้ไขปัญหา VRP กับการส่งมอบพร้อมกันและรถกระบะ การ์ตอัล (2012) แนะนำไฮบริดเพิ่มประสิทธิภาพจับกลุ่มอนุภาคหลายวัตถุประสงค์ (MOPSO) ขั้นตอนวิธีการที่จะแก้ปัญหาการจัดตารางเวลาการกระจายสองวัตถุประสงค์ขณะ Venkatesan และ Kumanan (2012) การจ้างงานอีกขั้นตอนวิธีฝูงอนุภาคหลายวัตถุประสงค์ที่ไม่ต่อเนื่อง (MODPSA) ที่มีสองระดับโลกที่แตกต่างกันคู่มือ เทคนิคการเลือกสำหรับการออกแบบเครือข่ายห่วงโซ่อุปทาน.
ฉี (2011) เสนอการเพิ่มประสิทธิภาพจับกลุ่มอนุภาคที่ดีขึ้นต่อเนื่อง (DPSO) ซึ่งในการค้นหาในท้องถิ่นซ้ำ (ILS) วิธีการถูกนำมาใช้เพื่อให้แน่ใจว่าการหลีกเลี่ยงขั้นต่ำในท้องถิ่น Latha การ์ตอัล (2013) บูรณาการการเรียงลำดับที่ไม่โดดเด่น (NDS) ขั้นตอนในอนุภาคหลายวัตถุประสงค์ไฮบริดฝูงขั้นตอนวิธีการเพิ่มประสิทธิภาพ (MOHPSO) เพื่อให้บรรลุการเพิ่มประสิทธิภาพสองวัตถุประสงค์ของวัตถุประสงค์ที่ขัดแย้งกัน Validi et al, (2013) นำเสนอการออกแบบการทดลอง (DoE) แนะนำหลายวัตถุประสงค์การเพิ่มประสิทธิภาพของอนุภาคฝูง (MOPSO) เพิ่มประสิทธิภาพในการที่ DoE ถูกนำมาใช้เพื่อกำจัดชุดยกเลิกจริงของชุดโซลูชั่นที่เป็นไปได้และที่ดีที่สุดในขณะที่อีกหลายตัดสินใจแอตทริบิวต์ที่นิยม วิธี -making, TOPSIS ถูกใช้ในการประเมินการแก้ปัญหาผ่านการวิเคราะห์อย่างละเอียดเช่นจัดลำดับความสำคัญการจัดอันดับและการวิเคราะห์สถานการณ์.
4.3 ฝูงผึ้งประดิษฐ์
ฝูงผึ้งเทียม (ABC) ขั้นตอนวิธีการได้รับการแนะนำโดย Karaboga (2005) ซึ่งเลียนแบบพฤติกรรมของปลอมรวมและการทำงานร่วมกันของฝูงผึ้ง เมื่อปลอมผึ้งที่แตกต่างกันทำงานร่วมกันในการสำรวจและใช้ประโยชน์จากแหล่งอาหารที่อุดมไปด้วยน้ำหวาน ฝูงผึ้งเทียมประกอบด้วยสามชนิดของผึ้งผึ้งลูกเสือผึ้งงานและผึ้งผู้ชมซึ่งมีบทบาทที่แตกต่างกันในการสำรวจและการใช้ประโยชน์จากแหล่งอาหาร แหล่งอาหารที่ได้รับการยกย่องเป็นโซลูชั่นของปัญหาเฉพาะในระหว่างที่คนที่มีน้ำหวานมากขึ้นสอดคล้องกับการแก้ปัญหาที่ดีกว่า.
ขั้นตอนทั้งหมดของขั้นตอนวิธี ABC สามารถอธิบายได้ดังต่อไปนี้ ผึ้งลูกเสือที่ได้รับมอบหมายในการหาแหล่งอาหารที่เริ่มต้นโดยการดำเนินการค้นหาในพื้นที่สุ่มค้นหา หลังจากนั้นผึ้งลูกจ้างจะมีการส่งออกจะใช้ประโยชน์จากแหล่งอาหารที่ค้นพบและแต่ละผึ้งลูกจ้างตรงกับแหล่งอาหารอย่างใดอย่างหนึ่ง ในระหว่างขั้นตอนการแสวงหาผลประโยชน์แต่ละผึ้งยังใช้ดำเนินการ neighb
การแปล กรุณารอสักครู่..
4.1 . อาณานิคมมด optimization aco
ขั้นตอนวิธีการเลียนแบบพฤติกรรมรวมหมู่ของมดผึ้ง ซึ่งเดิมทีสร้างโดย colorni et al . ( 1991 ) ในระหว่างกระบวนการค้นหาสำหรับแหล่งอาหารมดทำตัวอย่างชาญฉลาด เพื่อหาเส้นทางที่เหมาะสมที่จะเป็นแหล่งอาหาร ซึ่งจะบรรลุได้โดยการใช้ฟีโรโมน การดำรงอยู่ของฟีโรโมนที่แสดงให้เห็นร่องรอยของมด ,และให้บริการข้อมูลฮิวริสติกสำหรับมดอื่น ๆซึ่งตัดสินใจว่าจะทำตามนี้ฟีโรโมน ร่องรอย หรือ ไม่ ถ้ามดใหม่เลือกที่จะปฏิบัติตามนี้ฟีโรโมน ติดตาม มันจะเสริมสร้างความหนาแน่นของฟีโรโมน มิฉะนั้น ฟีโรโมน จะค่อยๆ หายไป และสุดท้าย หมดแรง กลยุทธ์การตัดสินใจข้างต้นนี้จะถือเป็นข้อเสนอแนะในเชิงบวกและลบความคิดเห็นตามลำดับความหนาแน่นสูงบ่งชี้ว่าฟีโรโมนที่สูงเลือกความน่าจะเป็น ดังนั้น มากขึ้น มดเลือกตามร่องรอยที่มีความหนาแน่นฟีโรโมนสูง และสร้างเส้นทางที่ดีที่สุดไปยังแหล่งอาหาร ตั้งแต่การแนะนำของ ACO ขั้นตอนวิธี ได้รับความนิยมมากและหลากหลายสายพันธุ์ของ aco ยังได้เสนอให้ปรับ Co ปัญหาต่าง ๆ เช่น มด ( ระบบ ดอริโก et al . ,ระบบอาณานิคมมด ( 1996 ) และ gambardella ดอริโก , ระบบ 1997a ) และมดแม็กซ์– MIN ( St ü tzle แล้วว ฮูว ปี 2000 ) คำอธิบายที่ครอบคลุมมากขึ้นของมด ที่เกี่ยวข้องกับขั้นตอนวิธีที่สามารถพบได้ในวรรณคดี ( กอร์ดอน et al . , 2002 ) .
ขั้นตอนทั้งหมดของ ACO อัลกอริทึมที่สามารถแสดงได้ดังนี้ ตอนแรกมดจะวางอยู่บนโหนดของกราฟแบบสุ่มจากนั้นแต่ละมดเลือกเชื่อมต่อ unvisited Node ต่อไปการเคลื่อนไหว probabilistically และ . ความน่าจะเป็นเป็นผลมาจากสองปัจจัย , ระยะทางจากปมปัจจุบันไปยังโหนดถัดไป และฟีโรโมนที่เกี่ยวข้องขอบ การเคลื่อนไหวนี้จะดำเนินการซ้ำจนมดมี traversed ทุกโหนดในกราฟ ซึ่งเรียกว่า หนึ่งรอบ หลังจากแต่ละรอบฟีโรโมนสำหรับกราฟทั้งหมดจะมีการปรับปรุง หลักการก็คือ เมื่อมดย้ายผ่านขอบ , ฟีโรโมน ขอบที่เป็นคอนกรีตเสริมเหล็ก หรือมิฉะนั้น ก็จะระเหย และเหนื่อยมาก หลังจากที่จำนวนหนึ่งของรอบ เส้นทางที่มีความหนาแน่นสูงสุดของฟีโรโมนที่พบซึ่งเป็นโซลูชั่นที่เหมาะสม .
ขั้นตอนวิธีการเลียนแบบพฤติกรรมรวมหมู่ของมดผึ้ง ซึ่งเดิมทีสร้างโดย colorni et al . ( 1991 ) ในระหว่างกระบวนการค้นหาสำหรับแหล่งอาหารมดทำตัวอย่างชาญฉลาด เพื่อหาเส้นทางที่เหมาะสมที่จะเป็นแหล่งอาหาร ซึ่งจะบรรลุได้โดยการใช้ฟีโรโมน การดำรงอยู่ของฟีโรโมนที่แสดงให้เห็นร่องรอยของมด ,และให้บริการข้อมูลฮิวริสติกสำหรับมดอื่น ๆซึ่งตัดสินใจว่าจะทำตามนี้ฟีโรโมน ร่องรอย หรือ ไม่ ถ้ามดใหม่เลือกที่จะปฏิบัติตามนี้ฟีโรโมน ติดตาม มันจะเสริมสร้างความหนาแน่นของฟีโรโมน มิฉะนั้น ฟีโรโมน จะค่อยๆ หายไป และสุดท้าย หมดแรง กลยุทธ์การตัดสินใจข้างต้นนี้จะถือเป็นข้อเสนอแนะในเชิงบวกและลบความคิดเห็นตามลำดับความหนาแน่นสูงบ่งชี้ว่าฟีโรโมนที่สูงเลือกความน่าจะเป็น ดังนั้น มากขึ้น มดเลือกตามร่องรอยที่มีความหนาแน่นฟีโรโมนสูง และสร้างเส้นทางที่ดีที่สุดไปยังแหล่งอาหาร ตั้งแต่การแนะนำของ ACO ขั้นตอนวิธี ได้รับความนิยมมากและหลากหลายสายพันธุ์ของ aco ยังได้เสนอให้ปรับ Co ปัญหาต่าง ๆ เช่น มด ( ระบบ ดอริโก et al . ,ระบบอาณานิคมมด ( 1996 ) และ gambardella ดอริโก , ระบบ 1997a ) และมดแม็กซ์– MIN ( St ü tzle แล้วว ฮูว ปี 2000 ) คำอธิบายที่ครอบคลุมมากขึ้นของมด ที่เกี่ยวข้องกับขั้นตอนวิธีที่สามารถพบได้ในวรรณคดี ( กอร์ดอน et al . , 2002 ) .
ขั้นตอนทั้งหมดของ ACO อัลกอริทึมที่สามารถแสดงได้ดังนี้ ตอนแรกมดจะวางอยู่บนโหนดของกราฟแบบสุ่มจากนั้นแต่ละมดเลือกเชื่อมต่อ unvisited Node ต่อไปการเคลื่อนไหว probabilistically และ . ความน่าจะเป็นเป็นผลมาจากสองปัจจัย , ระยะทางจากปมปัจจุบันไปยังโหนดถัดไป และฟีโรโมนที่เกี่ยวข้องขอบ การเคลื่อนไหวนี้จะดำเนินการซ้ำจนมดมี traversed ทุกโหนดในกราฟ ซึ่งเรียกว่า หนึ่งรอบ หลังจากแต่ละรอบฟีโรโมนสำหรับกราฟทั้งหมดจะมีการปรับปรุง หลักการก็คือ เมื่อมดย้ายผ่านขอบ , ฟีโรโมน ขอบที่เป็นคอนกรีตเสริมเหล็ก หรือมิฉะนั้น ก็จะระเหย และเหนื่อยมาก หลังจากที่จำนวนหนึ่งของรอบ เส้นทางที่มีความหนาแน่นสูงสุดของฟีโรโมนที่พบซึ่งเป็นโซลูชั่นที่เหมาะสม .
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- It feels terrible to be left out of the
- jason ดูดีมากครับ
- In April, Honda cut its profit growth fo
- ในอนาคตฉันอยากเเป็นกุมารแพทย์ เพราะฉันต้
- memorize
- แก้มป่อง
- fish not fly
- แก้มป่อง
- oven, vacuum and air typesvaried
- เป็นเครื่องมือ
- I am efficient in all office administrat
- It feels terrible to be left out of the
- that i am kind maybeไม่
- What do you want from me?we are far from
- วันนี้คุณทำเมนูอะไร
- เป็นการเปิดโลกกว้างในการเรียนรู้สิ่งใหม่
- The chief Secretary Bureau of
- ห้องพักผู้ป่วย
- บาดเจ็บเล็กน้อย
- assign
- haveing a lot to do already working on s
- เป็นการเปิดโลกกว้างในการเรียนรู้สิ่งใหม่
- ฉันรู้ว่าแปลว่าอะไรแต่ฉันไม่เข้าใจว่าคุณ
- be quite
