After introducing the Vehicle Routi

After introducing the Vehicle Routing Problem with Stochastic Demands (VRPSD) and some related work, this paper proposes a flexible solution methodology. The logic behind this methodology is to transform the issue of solving a given VRPSD instance into an issue of solving a small set of Capacitated Vehicle Routing Problem (CVRP) instances. Thus, our approach takes advantage of the fact that extremely efficient metaheuristics for the CVRP already exists. The CVRP instances are obtained from the original VRPSD instance by assigning different values to the level of safety stocks that routed vehicles must employ to deal with unexpected demands. The methodology also makes use of Monte Carlo simulation (MCS) to obtain estimates of the reliability of each aprioristic solution – that is, the probability that no vehicle runs out of load before completing its delivering route – as well as for the expected costs associated with corrective routing actions (recourse actions) after a vehicle runs out of load before completing its route. This way, estimates for expected total costs of different routing alternatives are obtained. Finally, an extensive numerical experiment is included in the paper with the purpose of analyzing the efficiency of the described methodology under different uncertainty scenarios.

ผลลัพธ์ (ไทย) 1:

หลังจากแนะนำรถสายปัญหาของความต้องการแบบเฟ้นสุ่ม (VRPSD) และบางส่วนที่เกี่ยวข้องกับงาน กระดาษนี้เสนอวิธีแก้ปัญหามีความยืดหยุ่น ตรรกะอยู่เบื้องหลังวิธีการนี้คือการ แปลงปัญหาแก้ไขการกำหนด VRPSD อันเป็นประเด็นแก้ชุดเล็กของอินสแตนซ์ Capacitated รถสายปัญหา (CVRP) ดังนั้น วิธีการของเราใช้ประโยชน์จากความจริง metaheuristics ที่มีประสิทธิภาพมากสำหรับ CVRP มีอยู่แล้ว อินสแตนซ์ CVRP จะได้รับจากอินสแตนซ์ VRPSD เดิม โดยกำหนดให้ค่าแตกต่างกันกับระดับของความปลอดภัยหุ้นที่ต้องจ้างรถเวียนจะจัดการกับความไม่คาดคิด ระหว่างยังทำให้ใช้การจำลอง Carlo มอน (เอ็มซี) ได้รับการประเมินความน่าเชื่อถือของแต่ละ aprioristic – คือ ความน่าเป็นที่รถไม่ทำงานไม่โหลดก่อนส่งมอบจัด – ดี สำหรับต้นทุนที่คาดไว้ที่เกี่ยวข้องกับการดำเนินการสายงานการผลิตแก้ไข (การดำเนินการจัดเตรียม) หลังจากรถวิ่งจากการโหลดก่อนเสร็จสิ้นกระบวนการ ด้วยวิธีนี้ จะรับการประเมินต้นทุนรวมที่คาดไว้ของเส้นทางต่าง ๆ ในที่สุด การทดลองเป็นตัวเลขอย่างละเอียดอยู่ในเอกสารโดยมีวัตถุประสงค์การวิเคราะห์ประสิทธิภาพของวิธีการอธิบายภายใต้สถานการณ์ความไม่แน่นอนแตกต่างกัน

ผลลัพธ์ (ไทย) 2:

หลังจากการแนะนำเส้นทางรถที่มีปัญหากับความต้องการ Stochastic (VRPSD) และบางงานที่เกี่ยวข้องกับงานวิจัยนี้เสนอวิธีการแก้ปัญหาที่มีความยืดหยุ่น ตรรกะที่อยู่เบื้องหลังวิธีการนี​​้คือการแปลงปัญหาของการแก้เช่น VRPSD ให้เป็นปัญหาของการแก้ชุดเล็ก ๆ ของ capacitated Vehicle Routing Problem (CVRP) กรณี ดังนั้นวิธีการของเราจะได้ประโยชน์จากความจริงที่ว่า metaheuristics ที่มีประสิทธิภาพอย่างยิ่งสำหรับ CVRP มีอยู่แล้ว กรณี CVRP จะได้รับจาก VRPSD เช่นเดิมโดยการกำหนดค่าที่แตกต่างในระดับของหุ้นด้านความปลอดภัยที่ส่งยานพาหนะต้องใช้ในการจัดการกับความต้องการที่ไม่คาดคิด วิธีการยังทำให้การใช้การจำลอง Monte Carlo (MCS) ที่จะได้รับการประเมินความน่าเชื่อถือของการแก้ปัญหาแต่ละ aprioristic - นั่นคือความน่าจะเป็นว่ารถไม่วิ่งออกไปจากการโหลดก่อนที่จะจบเส้นทางการส่งมอบของ - เช่นเดียวกับค่าใช้จ่ายที่คาดว่าจะเกี่ยวข้องกับ กระทำการกำหนดเส้นทางการแก้ไข (ไล่เบี้ยการกระทำ) หลังจากที่รถวิ่งออกไปจากการโหลดก่อนที่จะจบเส้นทาง วิธีนี้ประมาณการค่าใช้จ่ายทั้งหมดที่คาดว่าจะเป็นทางเลือกที่แตกต่างกันการกำหนดเส้นทางที่จะได้รับ ในที่สุดการทดลองที่เป็นตัวเลขกว้างขวางรวมอยู่ในกระดาษที่มีวัตถุประสงค์ในการวิเคราะห์ประสิทธิภาพของวิธีการที่อธิบายไว้ภายใต้สถานการณ์ความไม่แน่นอนที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

หลังจากแนะนำปัญหาการจัดเส้นทางยานพาหนะที่มีความต้องการ stochastic ( vrpsd ) และงานวิจัยที่เกี่ยวข้อง บทความนี้นำเสนอวิธีการแก้ปัญหาที่ยืดหยุ่น ตรรกะที่อยู่เบื้องหลังวิธีการนี้คือการเปลี่ยนเรื่องของการแก้ปัญหาให้ vrpsd ตัวอย่างในเรื่องของการแก้ชุดของปัญหาการจัดเส้นทางยานพาหนะขนาดเล็ก capacitated ( cvrp ) กรณี ดังนั้นวิธีการของเราใช้ประโยชน์จากความจริงที่ว่ามีประสิทธิภาพมากสำหรับ cvrp เมตาฮิวริ ิกอยู่แล้ว การ cvrp อินสแตนซ์ที่ได้จากตัวอย่าง vrpsd ต้นฉบับโดยการกําหนดค่าต่างระดับความปลอดภัยของหุ้นที่กำหนดเส้นทางยานพาหนะต้องใช้เพื่อจัดการกับความต้องการที่ไม่คาดคิดและยังทำให้การใช้เทคนิคมอนติคาร์โล ( MCS ) เพื่อขอรับการประเมินความน่าเชื่อถือของแต่ละ aprioristic โซลูชั่น–นั่นคือความน่าจะเป็นที่ไม่มีรถวิ่งออกจากเส้นทางของการโหลดก่อนที่จะจบ – รวมทั้งคาดว่า ค่าใช้จ่ายที่เกี่ยวข้องกับการแก้ไขการกระทำ ( การกระทำการขอความช่วยเหลือ ) หลังจากรถวิ่งออก โหลด ก่อนที่จะจบเส้นทางของด้วยวิธีนี้ การประมาณต้นทุนรวมของเส้นทางทางเลือกต่าง ๆที่คาดว่าจะได้รับ ในที่สุดการทดลองเชิงตัวเลขที่กว้างขวางรวมอยู่ในกระดาษกับวัตถุประสงค์ของการวิเคราะห์ประสิทธิภาพของการอธิบายวิธีการภายใต้สถานการณ์ความไม่แน่นอนต่าง ๆ .