حل مسئله فروشنده دوره گرد با استفاده از الگوریتم بهینه سازی انبوه ذرات تعمیم‏یافته و مقایسه با الگوریتم ژنتیک

در این مقاله به حل مسئله فروشنده دوره‏گرد با استفاده از الگوریتم‌های بهینه‏سازی انبوه ذرات و ژنتیک پرداخته شده است. الگوریتم بهینه‏سازی انبوه ذرات یک الگوریتم پیوسته می‏باشد و مسئله فروشنده دوره‏گرد به طور ذاتی یک مسئله گسسته می‏باشد. با توسعه الگوریتم بهینه‏سازی انبوه ذرات این مسئله سریع‏تر به جواب بهینه همگرا می‌شود و در مدت زمان کمتری جواب بهینه را می‏یابد. در این مطالعه الگوریتم بهینه‏سازی انبوه ذرات با انجام اصلاحاتی به حالت گسسته تعمیم داده‌ شده است. مسئله فروشنده دوره‏گرد توسط دو الگوریتم بهینه‏سازی انبوه ذرات گسسته و ژنتیک پیاده‏سازی شده است، تا کوتاه‌ترین دور مسیر با گذر از تمام شهرها بدست آید. 31 مرکز استان ایران به عنوان شهرهای مسئله درنظر گرفته شده است و در نهایت نتایج بدست آمده از الگوریتم بهینه‏سازی انبوه ذرات تعمیم‏یافته با الگوریتم ژنتیک مقایسه و ارزیابی شده است. طبق نتایج الگوریتم بهینه‏سازی انبوه ذرات در تعداد اجرا و زمان کمتری همگرا می‏شود. همچنین الگوریتم بهینه‏سازی انبوه ذرات تعمیم‏یافته جواب بهتری را نسبت به الگوریتم ژنتیک در نهایت پیدا می‏کند. الگوریتم بهینه‏سازی انبوه ذرات تعمیم‏یافته با مقدار تابع بهینگی 70.659 و الگوریتم ژنتیک با مقدار تابع بهینگی 73.1615 می‏باشد؛ این مقدار بیانگر طول مسیر یافت شده توسط دو الگوریتم است که هدف کمینه کردن مقدار تابع بهینگی می‏باشد؛ و الگوریتم بهینه‏سازی انبوه ذرات تعمیم‏یافته عملکرد بهتری برای کمینه کردن مقدار تابع بهینگی نسبت به الگوریتم ژنتیک داشته است.