افزایش قابلیت جستجو در الگوریتم بهینه‌سازی رقابت استعماری برای برنامه زمانبندی کامیون‌ها در سیستم انبار متقاطع

در محیط توزیع امروزه، انبار متقاطع به دلیل نقش اساسی آن در کاهش هزینه در زنجیره های تامین، مورد توجه بسیاری از محققان قرار گرفته است. سیستم انبار متقاطع با از بین بردن ذخیره سازی و مرتب سازی سفارشات، هزینه توزیع را کاهش می دهد. در این مقاله به بررسی مساله زمانبندی کامیون ها در انبار متقاطع پرداخته ایم. با توجه به ادبیات تحقیق مساله زمانبندی انبار متقاطع از جمله مسایل np-hard می باشد؛ بنابراین در این مقاله، یک رویکرد ترکیبی فراابتکاری جدید برای حل مساله ارایه شده است. الگوریتم رقابت استعماری (ica) یک الگوریتم اجتماعی-سیاسی است که از رقابت امپریالیستی الهام گرفته شده است. اما، هنگام جستجو در یک محیط پیچیده، کارایی آن به میزان قابل توجهی کاهش می یابد و این محدودیت، الگوریتم را برای رسیدن به یک راه حل خوب محدود می کند. در این مقاله مکانیسم جستجوی جدیدی برای حل این مشکل معرفی شده است. این الگوریتم بر مبنای روش تجزیه و تحلیل مولفه اصلی (pca) ارایه شده است که در آن pca در واقع یک مجموعه با بعد پایین از ویژگی ها را از یک مجموعه دارای بعد بالا استخراج می کند تا به ثبت اطلاعات بیشتر با تعداد کمتری از متغیرها کمک کند و به این دلیل این روش pcica نام گذاری شده است. نتایج به دست آمده و مقایسه آن با روش هایica ، sa و ga نشان می دهد که pcica به طور قابل ملاحظه ای نسبت به سایرین بهتر عمل کرده و می تواند راه حل های خوبی پیدا کند.

enhancing the search capability of the imperialist competitive algorithm for truck scheduling problem in the cross-docking system

in today’s distribution environment, cross-docking has attracted the attention of many researchers due to its vital role in reducing costs in supply chains. the cross-docking system reduces the cost of distribution by eliminating storage and sorting. in this article, we look at the issue of truck scheduling in a cross-docking system. according to the research literature, the issue of cross-docking scheduling is one of the np-hard problems, so in this paper, a new hybrid approach to solve this problem is presented. the imperial competition algorithm (ica) is a socio-political algorithm inspired by imperialist competition. however, when searching in a complex environment, its efficiency is significantly reduced, and this limitation confines the algorithm for achieving a good solution. this paper introduces a new search mechanism to solve this problem. this algorithm is based on the principal component analysis (pca) method in which pca actually extracts a low-dimensional set of features from a high-dimensional set to help record more information with fewer variables. this is why the method is called pcica. the results from the new algorithm were compared with ica, sa, and ga methods. results show that pcica performs significantly better than others and can find reasonable solutions.