Route planning in multimodal transp

Route planning in multimodal transportation networks is gaining more and more importance. Travelers ask for efficient
routing methods allowing them to reach their destinations through the intricate multimodal transportation scheme. In this paper,
we propose a new approach for computing multi-modal shortest paths. We only consider railway, bus and pedestrian networks.
The travel time is the only metric in our cost function. Our proposed approach is a combination of two meta-heuristics: Genetic
Algorithm (GA) and Variable Neighborhood Search (VNS). We compare our approach with the exact shortest path algorithm
Dijikstra that has been modified to work in a multimodal environment, as well as, with a pure GA. Results have shown that the
success rate of our approach in terms of converging to optimum/near optimum solutions is highly better than a pure GA.
Moreover, in contrast to traditional algorithms like Dijkstra, our approach is fast enough for practical routing applications.

ผลลัพธ์ (ไทย) 1:

กระบวนการผลิตการวางแผนในการเดินทางทุกเครือข่ายจะได้รับความสำคัญมาก ขึ้น นักท่องเที่ยวขอให้มีประสิทธิภาพสายงานการผลิตวิธีการอนุญาตให้เข้าถึงจุดหมายปลายทางของพวกเขาผ่านแผนงานขนส่งทุกที่ซับซ้อน ในเอกสารนี้เราเสนอวิธีใหม่สำหรับการคำนวณเส้นทางที่สั้นที่สุดหลายแบบ เราเพียงพิจารณาเครือข่ายเชิญ รถบัส และรถไฟเวลาเดินทางเป็นการวัดเฉพาะในฟังก์ชันต้นทุนของเรา วิธีการนำเสนอของเราคือ การรวมกันของสอง meta ลองผิดลองถูก: พันธุกรรมอัลกอริทึม (GA) และค้นหาตัวแปรย่าน (ไรวินท์) เราเปรียบเทียบวิธีการของเรา ด้วยอัลกอริธึมสั้นที่สุดเส้นทางที่แน่นอนDijikstra ที่มีการปรับเปลี่ยนการทำงาน ในสภาพแวดล้อมทุก และ ผลการ GA. บริสุทธิ์ ได้แสดงที่อัตราความสำเร็จของวิธีการของเราในการบรรจบกับโซลูชั่นที่เหมาะสม/ใกล้สูงสุดจะสูงกว่า GA. บริสุทธิ์นอกจากนี้ ตรงข้ามอัลกอริทึมแบบดั้งเดิมเช่น Dijkstra วิธีการของเราได้รวดเร็วเพียงพอสำหรับการใช้งานสายปฏิบัติ

ผลลัพธ์ (ไทย) 2:

การวางแผนเส้นทางในการขนส่งต่อเนื่องหลายรูปเครือข่ายจะได้รับความสำคัญมากขึ้นเรื่อย ๆ
นักท่องเที่ยวขอมีประสิทธิภาพวิธีการกำหนดเส้นทางที่ช่วยให้พวกเขาไปถึงจุดหมายของพวกเขาผ่านโครงการการขนส่งต่อเนื่องหลายรูปที่ซับซ้อน
ในบทความนี้เรานำเสนอวิธีการใหม่สำหรับการคำนวณหลายคำกริยาเส้นทางที่สั้นที่สุด เราจะพิจารณารถไฟรถบัสและเครือข่ายคนเดินเท้า.
ใช้เวลาเดินทางเป็นตัวชี้วัดเฉพาะในฟังก์ชั่นของเราค่าใช้จ่าย วิธีการที่นำเสนอของเราคือการรวมกันของสองการวิเคราะห์พฤติกรรม meta-นี้: พันธุ
Algorithm (GA) และตัวแปรค้นหาพื้นที่ใกล้เคียง (VNS) เราเปรียบเทียบวิธีการของเรามีขั้นตอนวิธีเส้นทางที่สั้นที่สุดที่แน่นอน
Dijikstra ที่ได้รับการแก้ไขในการทำงานในสภาพแวดล้อมที่ต่อเนื่องเช่นเดียวกับที่มีความบริสุทธิ์ GA ผลที่ได้แสดงให้เห็นว่าอัตราความสำเร็จของวิธีการของเราในแง่ของการที่จะมาบรรจบกันที่เหมาะสม / การแก้ปัญหาที่ดีที่สุดที่อยู่ใกล้เป็นอย่างสูงที่ดีกว่าบริสุทธิ์ GA. นอกจากนี้ในทางตรงกันข้ามกับขั้นตอนวิธีการแบบดั้งเดิมเช่น Dijkstra วิธีการของเราเป็นไปอย่างรวดเร็วมากพอสำหรับการใช้งานในทางปฏิบัติการกำหนดเส้นทาง

ผลลัพธ์ (ไทย) 3:

การวางแผนเส้นทางในเครือข่ายการขนส่งต่อเนื่องที่ดึงดูดมากขึ้นและความสำคัญมากขึ้น นักท่องเที่ยวถามมีประสิทธิภาพ
เส้นทางวิธีการช่วยให้พวกเขาเข้าถึงจุดหมายปลายทางของพวกเขาผ่านที่ซับซ้อนรูปแบบการขนส่งต่อเนื่องหลายรูปแบบ . ในกระดาษนี้
เราเสนอวิธีการใหม่สำหรับคอมพิวเตอร์ multi เส้นทางสั้นที่สุด . เราพิจารณารถไฟ รถบัส และเครือข่ายคนเดินเท้า .
เวลาการเดินทางเป็นเพียงตัวชี้วัดในการทำงานค่าใช้จ่ายของเรา เสนอแนวทางของเราคือการรวมกันของ 2 เมตาฮิวริสติก : พันธุกรรม
Algorithm ( GA ) และการค้นหาละแวกตัวแปร ( vns ) เปรียบเทียบวิธีการของเรากับเส้นทางที่สั้นที่สุดที่แน่นอน
dijikstra ขั้นตอนวิธีที่ถูกแก้ไขจะทำงานในสภาพแวดล้อมหลาย รวมทั้ง ด้วยความบริสุทธิ์จากผลลัพธ์ที่ได้แสดงให้เห็นว่า
อัตราความสำเร็จของวิธีการของเราในแง่ของการมาบรรจบกันที่ใกล้โซลูชั่นที่เหมาะสมเป็นอย่างสูงกว่าเพียว Ga
นอกจากนี้ในทางตรงกันข้ามกับขั้นตอนวิธีแบบดั้งเดิม เช่น ตรา วิธีของเราคือรวดเร็วเพียงพอสำหรับการปฏิบัติการการใช้งาน