The Multi-Depot Vehicle Routing Pro

The Multi-Depot Vehicle Routing Problem (MDVRP), an extension of classical VRP, is a NP-hard problem for simultaneously determining the routes for several vehicles from multiple depots to a set of customers and then return to the same depot. The objective of the problem is to find routes for vehicles to service all the customers at a minimal cost in terms of number of routes and total travel distance, without violating the capacity and travel time constraints of the vehicles. The solution to the MDVRP, in this paper, is obtained through Genetic Algorithm (GA). The customers are grouped based on distance to their nearest depots and then routed with Clarke and Wright saving method. Further the routes are scheduled and optimized using GA. A set of five different Cordeau’s benchmark instances (p01, p02, p03, p04, p06) from the online resource of University of Malaga, Spain were experimented using MATLAB R2008b software. The results were evaluated in terms of depot’s route length, optimal route, optimal distance, computational time, average distance, and number of vehicles. Comparison of the experimental results with state-of-the-art techniques shows that the performance of GA is feasible and effective for solving the multi-depot vehicle routing problem.

ผลลัพธ์ (ไทย) 1:

Depot หลายรถสายปัญหา (MDVRP), ส่วนขยายของ VRP คลาสสิก ปัญหา NP หนักสำหรับการกำหนดเส้นทางสำหรับยานพาหนะต่าง ๆ จากคลังหลายชุดของลูกค้าพร้อมกัน แล้วกลับไป depot เดียวกัน วัตถุประสงค์ของปัญหาคือการ หาเส้นทางสำหรับยานพาหนะให้บริการลูกค้าทั้งหมดที่ต้นทุนน้อยที่สุดในจำนวนเส้นทางและการเดินทางทั้งหมด ไม่ละเมิดกำลังการผลิต และข้อจำกัดเวลาของยานพาหนะในการเดินทาง MDVRP ในเอกสารนี้ โซลูชันได้รับผ่านทางพันธุกรรมอัลกอริทึม (GA) ลูกค้าจัดตามระยะทางการคลังของพวกเขาที่ใกล้ที่สุด และกำหนดเส้นทางกับคลาร์กและบันทึกวิธีการไรท์ เพิ่มเติมเส้นทางกำลัง และปรับใช้ GA. ชุดต่าง ๆ ของ Cordeau ห้ามาตรฐานอินสแตนซ์ (p01, p02, p03, p04, p06) จากทรัพยากรออนไลน์ของมหาวิทยาลัยมาลากา สเปนถูกเบื้องใช้ซอฟต์แวร์ MATLAB R2008b มีประเมินผลความยาวเส้นทางของ depot กระบวนการผลิตที่ดีที่สุด ระยะห่างที่เหมาะสม คำนวณเวลา ระยะทางเฉลี่ย และจำนวนยานพาหนะ เปรียบเทียบผลการทดลองด้วยเทคนิคของทันสมัยแสดงว่าประสิทธิภาพการทำงานของ GA เป็นไปได้ และการแก้ปัญหารถ depot หลายสาย

ผลลัพธ์ (ไทย) 2:

Multi-Depot ยานพาหนะเส้นทางปัญหา (MDVRP) ส่วนขยายของ VRP คลาสสิกเป็นปัญหา NP-พร้อมกันอย่างหนักเพื่อกำหนดเส้นทางสำหรับยานพาหนะจากหลายสถานีหลายชุดของลูกค้าแล้วกลับไปที่สถานีเดียวกัน วัตถุประสงค์ของปัญหาคือการหาเส้นทางสำหรับรถที่จะให้บริการลูกค้าทุกท่านมีค่าใช้จ่ายน้อยที่สุดในแง่ของจำนวนของเส้นทางและระยะทางในการเดินทางทั้งหมดโดยไม่ละเมิดขีด​​ความสามารถและข้อ จำกัด ของเวลาในการเดินทางของยานพาหนะ วิธีการแก้ MDVRP ในบทความนี้จะได้รับผ่านทางพันธุกรรม (GA) ลูกค้าจะถูกจัดกลุ่มขึ้นอยู่กับระยะทางไปสถานีที่ใกล้ที่สุดของพวกเขาและส่งแล้วกับคลาร์กและวิธีการประหยัดไรท์ นอกจากนี้เส้นทางที่กำหนดไว้และการเพิ่มประสิทธิภาพการใช้ GA ชุดของห้าที่แตกต่างกันของ Cordeau กรณีมาตรฐาน (P01, P02, P03, P04, P06) จากแหล่งข้อมูลออนไลน์ของมหาวิทยาลัยมาลากาประเทศสเปนได้รับการทดลองใช้ซอฟต์แวร์ MATLAB R2008b ได้รับการประเมินผลในแง่ของความยาวของเส้นทางที่สถานีรถไฟเส้นทางที่ดีที่สุดที่ดีที่สุดระยะเวลาการคำนวณระยะทางเฉลี่ยและจำนวนของยานพาหนะ การเปรียบเทียบผลการทดลองกับเทคนิครัฐของศิลปะแสดงให้เห็นว่าการปฏิบัติงานของ GA เป็นไปได้และมีประสิทธิภาพในการแก้รถหลายสถานีปัญหาการกำหนดเส้นทาง

ผลลัพธ์ (ไทย) 3:

ปัญหาการจัดเส้นทางยานพาหนะหลายคลัง ( mdvrp ) ส่วนขยายของคลาสสิก vrp เป็น NP ยากปัญหาพร้อมกันกำหนดเส้นทางหลายคันจากหลายคลังกับชุดของลูกค้าและจากนั้นกลับไปที่สถานีเดียวกันวัตถุประสงค์ของปัญหาเพื่อหาเส้นทางสำหรับยานพาหนะเพื่อให้บริการแก่ลูกค้าทั้งหมดที่ค่าใช้จ่ายน้อยที่สุดในแง่ของจำนวนของเส้นทางและระยะทางในการเดินทางทั้งหมด โดยไม่ละเมิดศักยภาพและข้อจำกัดเรื่องเวลาการเดินทางของยานพาหนะ โซลูชั่นเพื่อ mdvrp ในกระดาษนี้จะได้รับผ่านทาง Genetic Algorithm ( GA )ลูกค้าจะถูกจัดกลุ่มตามระยะทางที่ใกล้ที่สุด แล้วต่อคลังกับคลาร์กและไรท์บันทึกวิธีการ เพิ่มเติมเส้นทางกำหนดและปรับใช้จากชุดของห้าที่แตกต่างกัน cordeau เป็นมาตรฐานที่อินสแตนซ์ ( P01 P02 P04 P01 , , , , p06 ) จากทรัพยากรออนไลน์ของมหาวิทยาลัยในมาลากา , สเปน ได้ทดลองใช้ซอฟต์แวร์ r2008b Matlab .ผลประเมินในแง่ของความยาวของเส้นทางที่เหมาะสมเส้นทาง Depot , ระยะทาง , เวลา , ระยะทางเฉลี่ยคำนวณและจำนวนของยานพาหนะ การเปรียบเทียบผลการทดลองด้วยเทคนิคทันสมัยแสดงให้เห็นว่าประสิทธิภาพของ GA คือเป็นไปได้และมีประสิทธิภาพ เพื่อแก้ไขปัญหาการจัดเส้นทางยานพาหนะหลายคลัง .