بهینه‌سازی در مسیریابی باز وسیله نقلیه با استفاده از یک الگوریتم کارای ترکیبی فراابتکاری

مسئله مسیریابی وسیله نقلیه باز (ovrp) یکی از مسائل مورد علاقه در ریاضیات محاسباتی است که بسیار مورد توجه محققان و دانشمندان قرار می‌گیرد. در این مسئله هدف تعیین کمینه هزینه جابجایی چندین وسیله نقلیه است که به طور هم‌زمان از انبار کالا شروع به حرکت می‌کنند و تعدادی از مشتری‌ها را مورد ملاقات قرار می‌دهند. باید توجه کرد که برخلاف مسئله مسیریابی وسیله نقلیه (vrp)، در این مسئله وسائل نقلیه لازم نیست که به انبار کالا برگردند. این مقاله نوعی روش فراابتکاری که در فاز اول آن از روش اصلاحی نمونه مورچگان  (eas) برای یافتن جوا‌ب‌هایی زیر بهینه استفاده می‌کند و در فاز دوم الگوریتم‌های درج و جابجایی برای یافتن جواب‌های بهتر به کار گرفته می‌شود. این الگوریتم بر روی مجموعه‌ای از 15 مثال با 50-400 مشتری مورد آزمایش واقع گردید که معلوم شد که این الگوریتم قادر است که در 10 مثال به بهترین جواب تاکنون یافت شده دست یابد. به علاوه از نظر کیفیت جواب‌های بدست آمده، ثابت شد که الگوریتم پیشنهادی بسیار رقابت پذیر است و انحراف معیار الگوریتم در همه مثال‌ها در حدود 1 درصد قرار دارد. به طور کل می‌توان گفت که الگوریتم پیشنهادی در مقایسه با سایر روش‌های موجود برای حل مسئله ovrp از نظر کیفیت جواب‌‌ها نتایج بهتری را بدست آورده است.

Optimizing of Open Vehicle Routing Problem by Using an Efficient Hybrid Meta-heuristic Algorithm

The Open Vehicle Routing Problem (OVRP) is one of the most intensively studied problems in computational mathematics that nowadays and it has been receiving much attention by researchers and scientists. In this Problem, the objective is to define minimized distance traveled of the several vehicles that start to move simultaneously from the depot and visit some customers. It is noted that against to the Vehicle Routing Problem (VRP), it is not necessary that vehicles return to the depot after servicing the customers. This paper proposes a metaheuristic algorithm in which at the first stage, a modified elite ant colony (EAS) is applied for finding a suboptimal solution, and at the second stage, the insert and swap local search algorithms are used for finding better solutions. Computational results on fifteen standard benchmark problem instances show that the proposed algorithm is comparable in terms of solution quality of other metaheuristic algorithms.