In this paper, a novel Particle Swa

In this paper, a novel Particle Swarm Optimization (PSO)
approach is applied to solve the CVRP having stochastic demands
with no known distributions. Since PSO solves problems with continuous
variables and the VRP is a combinatorial optimization
problem, a decoding method is needed to apply PSO to solve the
VRP. We have developed a novel decoding method for interpreting
PSO solutions for the VRP. The proposed M1 decoding method
includes three local search operators in a VNS loop in order to significantly
improve the quality of the solutions. It has been tested
against two recent and state-of-the-art decoding methods from
Ai and Kachitvichyanukul (2009b). The results clearly show that
our proposed approach is a superior and preferable PSO method
in some CVRP instances. The whole proposed PSO approach has
also been tested for the Stochastic VRP (SVRP). Results show that
the solutions of this algorithm are applicable in larger scale problems
and resist perturbations to an acceptable extent. Although
the exact robust algorithm gives solutions without any unmet
demands, our proposed method (even with some unmet demands)
has less robustness cost. Also, in all cases, the proposed method has
produced a feasible solution while the other method has not (in
many cases).
Our intention for future research is to actually test the proposed
PSO in a production environment with a real SVRP and to actually
measure unmet vs. robustness costs. A close study of the performance
of the proposed PSO parameters can be the subject of
further researches.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ มีนวนิยายอนุภาคฝูงเพิ่มประสิทธิภาพ (PSO)ใช้วิธีการแก้ปัญหา CVRP ที่มีความต้องการแบบเฟ้นสุ่มมีการกระจายไม่รู้จัก ตั้งแต่ PSO แก้ปัญหาอย่างต่อเนื่องตัวแปรและ VRP จะปรับให้เหมาะสมกับปัญหาปัญหา วิธีการถอดรหัสต้องใช้ PSO การแก้ไขVRP เราได้พัฒนานวนิยายถอดรหัสวิธีการทำนายPSO ที่โซลูชั่นสำหรับ VRP วิธีการถอดรหัส M1 ที่เสนอมีตัวดำเนินการค้นหาเฉพาะสามวนไรวินท์เพื่ออย่างมีนัยสำคัญปรับปรุงคุณภาพในโซลูชั่น มีการทดสอบกับสองรัฐ-of-the-art และล่าสุดถอดรหัสวิธีการจากไอและ Kachitvichyanukul (2009b) ผลลัพธ์อย่างชัดเจนแสดงว่าวิธีการนำเสนอของเราเป็นห้อง superior และกว่าวิธี PSOในบางกรณี CVRP ทั้งหมดที่นำเสนอมีวิธี PSOนอกจากนี้ยัง ได้ทดสอบสำหรับการแบบเฟ้นสุ่ม VRP (SVRP) ผลลัพธ์แสดงว่าโซลูชั่นของอัลกอริทึมนี้จะมีปัญหาขนาดใหญ่และต่อต้าน perturbations ขอบเขตยอมรับได้ ถึงแม้ว่าอัลกอริทึมมีประสิทธิภาพแน่นอนให้โซลูชั่นหน้า unmetความต้องการ วิธีการนำเสนอของเรา (แม้จะ มีความต้องการบาง unmet)มีเสถียรภาพน้อยกว่าต้นทุน ยัง ทุกกรณี วิธีการนำเสนอมีผลิตการแก้ไขปัญหาเป็นไปได้ในขณะที่วิธีอื่น ๆ มีไม่ (หลายกรณี)ความตั้งใจของเราสำหรับการวิจัยในอนาคตจะทดสอบนำเสนอจริงPSO ในระบบการผลิต SVRP จริง และจะจริงวัด unmet เทียบกับต้นทุนเสถียรภาพ การศึกษาประสิทธิภาพการปิดของ PSO เสนอ พารามิเตอร์อาจเป็นเรื่องของวิจัยเพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เป็นนวนิยายอนุภาค Swarm Optimization (PSO)
วิธีการที่ถูกนำไปใช้ในการแก้ CVRP
มีความต้องการสุ่มกับการกระจายไม่รู้จัก ตั้งแต่ PSO
แก้ปัญหาเกี่ยวกับการอย่างต่อเนื่องตัวแปรและVRP เป็นการเพิ่มประสิทธิภาพ combinatorial
ปัญหาวิธีการถอดรหัสเป็นสิ่งจำเป็นที่จะใช้ PSO ในการแก้
VRP เราได้พัฒนาวิธีการใหม่สำหรับการถอดรหัสตีความโซลูชั่น PSO สำหรับ VRP
ที่นำเสนอวิธีการถอดรหัส M1
รวมถึงสามผู้ประกอบการการค้นหาในท้องถิ่นในวง VNS
ในการสั่งซื้ออย่างมีนัยสำคัญในการปรับปรุงคุณภาพของการแก้ปัญหาที่ มันได้รับการทดสอบกับสองที่ผ่านมาและรัฐของศิลปะวิธีการถอดรหัสจากไอและKachitvichyanukul (2009b) ผลอย่างชัดเจนแสดงให้เห็นว่าวิธีการที่นำเสนอของเราเป็นวิธี PSO ที่เหนือกว่าและดีกว่าในบางกรณีCVRP ทั้งเสนอวิธี PSO ได้นอกจากนี้ยังได้รับการทดสอบสำหรับStochastic VRP (SVRP) ผลแสดงให้เห็นว่าการแก้ปัญหาขั้นตอนวิธีนี้มีผลบังคับใช้ในปัญหาขนาดใหญ่และต่อต้านเยี่ยงอย่างกับขอบเขตที่ยอมรับได้ แม้ว่าขั้นตอนวิธีการที่มีประสิทธิภาพจะช่วยให้การแก้ปัญหาที่ถูกต้องโดยไม่ต้องกระทําใด ๆ ความต้องการวิธีการที่นำเสนอของเรา (แม้จะมีความต้องการ unmet บางส่วน) มีค่าใช้จ่ายน้อยกว่าความทนทาน นอกจากนี้ในทุกกรณีวิธีการที่นำเสนอมีการผลิตเป็นทางออกที่เป็นไปได้ในขณะที่วิธีการอื่นไม่ได้(ในหลายกรณี). ความตั้งใจของเราสำหรับการวิจัยในอนาคตเป็นจริงทดสอบเสนอPSO ในระบบการผลิตที่มี SVRP จริงและจริงวัดเมื่อเทียบกับค่าใช้จ่ายที่กระทําความทนทาน การศึกษาอย่างใกล้ชิดของประสิทธิภาพการทำงานของพารามิเตอร์ PSO ที่นำเสนอสามารถเป็นเรื่องของงานวิจัยต่อไป

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , นวนิยายฝูงอนุภาค Optimization ( PSO )
ใช้วิธีแก้ปัญหา cvrp มีความต้องการ
กับไม่รู้จักกระจาย . ตั้งแต่ PSO แก้ปัญหากับตัวแปรต่อเนื่อง
และ vrp เป็นปัญหา optimization
วิธีการ , วิธีการถอดรหัสจะต้องใช้ระบบแก้ปัญหา
vrp . เราได้พัฒนาวิธีการถอดรหัสตีความนวนิยาย
ออนไลน์โซลูชั่นสำหรับ vrp .เสนอวิธีการถอดรหัส M1
รวมถึงสามค้นหาท้องถิ่น ผู้ประกอบการใน vns ห่วงเพื่ออย่างมาก
ปรับปรุงคุณภาพของโซลูชั่น มันได้รับการทดสอบ
ต่อสองล่าสุดและรัฐ - of - the - art วิธีถอดรหัสจาก
AI และ kachitvichyanukul ( 2009b ) ผลลัพธ์ที่แสดงให้เห็นชัดเจนว่า
ของเรา วิธีการที่เสนอเป็นวิธีที่เหนือกว่าและดีกว่าระบบ
ในบางกรณี cvrp .ทั้งเสนอออนไลน์วิธีการมี
ยังถูกทดสอบสำหรับ vrp stochastic ( svrp ) ผลลัพธ์ที่แสดงให้เห็นว่า
โซลูชั่นของอัลกอริทึมนี้จะสามารถใช้ได้ในปัญหาขนาดใหญ่
และต่อต้านได้ในขอบเขตที่ยอมรับได้ แม้ว่าขั้นตอนวิธีให้โซลูชั่นที่แข็งแกร่งแน่นอน

โดยไม่ต้อง unmet ความต้องการของเรา , วิธีการ ( แม้จะมีบาง unmet ความต้องการ )
มีต้นทุนทนทานน้อยกว่า นอกจากนี้ในทุกกรณี , วิธีที่เสนอมี
ผลิต คำตอบที่เป็นไปได้ในขณะที่วิธีการอื่น ๆไม่ได้ (
หลายกรณี ) .
ความตั้งใจของเราสำหรับการวิจัยในอนาคตจะได้ทดสอบการนำเสนอ
PSO ในสภาพแวดล้อมการผลิต ด้วย svrp จริงและจริง
วัด unmet และทนทานมากขึ้น การศึกษาการปฏิบัติงาน
ปิดของเสนอออนไลน์พารามิเตอร์สามารถเรื่องของ
งานวิจัยต่อไป