حل مسئله زمان‌بندی و مسیریابی سبز وسایل حمل‏ونقل با ناوگان ناهمگن شامل لجستیک معکوس به شکل جمع‌آوری کالاهای بازگشتی با الگوریتم ژنتیک

مسئله مسیریابی وسایل نقلیه (vrp)، یافتن مسیرهای بهینه برای ناوگانی از وسایل است که با سفر در آن مسیرها، تقاضای مشتریان برآورده می‏گردد. این مسئله از پرکاربردترین مسائل در حوزه حمل‌ونقل و تدارکات است. در این مقاله، مسئله زمان‌بندی و مسیریابی سبز وسایل حمل‏ونقل با ناوگان ناهمگن شامل لجستیک معکوس به شکل جمع‏آوری کالاهای بازگشتی، توسعه داده شده است. این مسئله همراه با هزینه‌های زودکرد و دیرکرد وزن‏دهی شده برای ایجاد تبادلی بین هزینه‌های عملیاتی و زیست‏محیطی و با هدف حداقل‏سازی هم‌زمان به‌صورت برنامه‏ریزی غیرخطی مختلط، مدل‏سازی شده است. به دلیل قرارگیری مسئله موردنظر در رده مسائل nphard، الگوریتم ژنتیک جهت حل نزدیک به بهینه برای نمونه‌های ابعاد بزرگ، توسعه داده شده است. در نهایت، عملکرد الگوریتم پیشنهادی در مقایسه با حل معمولی در ابعاد کوچک با مثال‌هایی، ارزیابی شده است. تحلیل حساسیت و  آنالیز نتایج با تعریف دو معیار کیفیت راه‌حل و زمان محاسبات، عملکرد رضایت‌بخش الگوریتم پیشنهادی را در زمان محاسباتی مناسب نشان می‌دهد.

Solving Green Vehicle Routing and Scheduling Problem with Heterogeneous Fleet Including Reverse Logistics in the Form of Collecting Returned Goods using Genetic Algorithm

Vehicle routing problem (VRP) is about finding optimal routes for a fleet of vehicles in order that they can meet the demands for a set of given customers by traveling through those paths. This problem is one of the most important and most applicable problems of transportation and logistics scope. In this paper, green vehicle routing and scheduling problem with heterogeneous fleet including reverse logistics in the form of collecting returned goods along with weighted earliness and tardiness costs is studied to establish a tradeoff between operational and environmental costs. In this regard, a mixed integer nonlinear programming (MINLP) model is proposed at the first stage; then its accuracy and correct functioning are evaluated by solving some examples. Since this problem is categorized as a NPhard problem, a genetic algorithm (GA) is suggested in order to find nearoptimal solutions for large instances in a rational computational time. Eventually, the performance of the GA is evaluated in comparison with solving the mathematical model for smallsized problems. Analysis of the results considering two criteria, solutions quality and computational times, indicates the satisfactory operation of the proposed algorithm in a proper computational time.