ارائه الگوی مسیربابی ناوگان حمل و نقل بر اساس الگوریتم جهان‌های موازی (مطالعه موردی: بازارهای توزیع گوشت مرغ شهر تهران)

اقتصاد و توسعه کشاورزی

مقاله 3، دوره 32، شماره 1 - شماره پیاپی 39، فروردین 1397، صفحه 57-67   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v32i1.66248

نویسندگان

فرشید ریاحی درچه^{* 1}؛ امیرحسین چیذری¹؛ علیرضا اکبری بیات²

¹دانشگاه تهران

²دانشگاه امیرکبیر

چکیده

با گسترش رقابت در بازار امروز نیاز به کاهش هزینهها در بخشهای مختلف مانند هزینه حمل و نقل و بهبود ارائه خدمات به خصوص در زمینه کاهش زمان ارائه سرویسها به شدت افزایش یافته و به موضوعی حیاتی بدل گردیده است. در این زمینه مسائل مسیریابی میتواند با کاهش طول مسیر و همچنین بهره بردن از حداکثر ظرفیت وسایل نقلیه کمک شایانی نماید. این مقاله سعی در ارائه الگوریتمی جهت یافتن جواب‌های مناسب برای مسئله مسیر‌یابی وسائل نقلیه ناهمگن با چندین انبار و محدودیت در تعداد مشتریان سرویس داده شده توسط هر حمل کننده، دارد. در همین راستا پس از فرموله کردن مسئله مذکور، اقدام به حل این مسئله از دو روش الگوریتم های فرا اکتشافی (الگوریتم جهانهای موازی) و الگوریتمهای قطعی شد. در نهایت زمان اجرا و همچنین نتایج حاصل از این دو روش مورد مقایسه قرار گرفت. برای آزمون کارایی دو الگوریتم ارائه شده از داده‌های واقعی که مربوط به توزیع گوشت مرغ در بازار‌های روز شهر تهران بود، استفاده شد. نتایج نشان داد جواب بهینه الگوریتم فراابتکاری پیشنهادی به جواب بهینه الگوریتم قطعی بسیار نزدیک بوده و قابلیت اجرایی دارد؛ بطوریکه هزینه روزانه مسأله مسیریابی مورد نظر به ترتیب در دو الگوریتم فرا اکتشافی و قطعی 1/42351 و 6/40231 بوده است و تنها 26/5 درصد اختلاف در نتایج وجود دارد. علاوه بر این با مقایسه نتایج حاصل از شرایط موجود و الگوی بهینه حمل‌ونقل می‌توان دریافت که هزینه‌های حمل‌ونقل در شرایط موجود نسبت به دو الگوریتم مسیریابی قطعی و جهان‌های موازی، به ترتیب 3/2 و 14/2 برابر است. در این راستا استفاده از نتایج اینگونه تحقیقات در عمل میتواند باعث بهبود محیط زیست و همچنین کاهش قابل توجهی در هزینه‌های حمل‌و‌نقل گردد.

کلیدواژه‌ها

تهران؛ جهان‌های موازی؛ گوشت مرغ مسیریابی

مراجع

1- Iran, I.R., Central Bank of the Islamic Republic of Iran, 2016. Time series database of Central Bank of the Islamic Republic of Iran.

2- Beheshti Nia M.A., Feyz D., and Sadadi F. 2017. The integration of the problem of transporting vehicles with the timing of transportation and production in the supply chain, Journal of Transportation Engineering, 9(33): 153-182.

3- Kabiri K., and Mesgari M.S. 2016. Optimize the receipt and delivery of postal service between the centers by vehicles bearing capacity using meta-heuristic algorithms. Journal of Geomatics Science and Technology, 6(4): 173-184.

4- Dehbari S., Pourrousta A.R., Naderi Beni M., Ghobadian E., and Tavakkoli Moghaddam R. 2013. Multi-Objective VRP with Stochastic Time and Fuzzy Demand under Time Windows Constraints, Journal of Operations Research and Applications (Applied Mathematics), 9(4): 85–106.

5- Toth P., and Vigo D. eds., 2002. The vehicle routing problem. Society for Industrial and Applied Mathematics.

6- Yang C., McCollum D., McCarthy R., and Leighty W. 2009. Meeting an 80% reduction in greenhouse gas emissions from transportation by 2050: A case study in California. Transportation Research Part D: Transport and Environment, 14(3): 147-156.

7- Fallah Menshadi E., Rohi A., and Fallah Menshadi A. 2015. Analysis and examination of the measures necessary for the implementation of integrated urban transport in metropolises; Case study: Tehran city, 6(20): 83-98.

8- Hoseinpour H.A., Mosadeghkhah M., and Tavakoli Moghadam R. 2009. Solving a Stochastic Multi-Depot Multi - Objective Vehicle Routing Problem by a Simulated Annealing, Journal of Industrial Engineering 43(1): 25–36.

9- Koç Ç., Bektaş T., Jabali O., and Laporte G. 2016. Thirty years of heterogeneous vehicle routing. European Journal of Operational Research, 249(1):1-21.

10- Cordeau J.F., Laporte G., Savelsbergh M.W., and Vigo D. 2007. Vehicle routing, Handbooks in operations research and management science, 14: 367-428.

11- Laporte G. 2009. Fifty years of vehicle routing, Transportation Science 43(4): 408-416.

12- Toth P., and Vigo D. eds. 2014. Vehicle routing: problems, methods, and applications (Vol. 18). Siam.

13- Li F., Golden B., and Wasil E. 2007. A record-to-record travel algorithm for solving the heterogeneous fleet vehicle routing problem, Computers & Operations Research, 34(9): 2734-2742.

14- Karabuk S. 2007. Modeling and optimizing transportation decisions in a manufacturing supply chain, Transportation Research Part E: Logistics and Transportation Review, 43(4): 321-337.

15- Bräysy O., Dullaert W., Hasle G., Mester D., and Gendreau M. 2008. An effective multirestart deterministic annealing metaheuristic for the fleet size and mix vehicle-routing problem with time windows, Transportation Science, 42(3): 371-386.

16- Hoff A., Andersson H., Christiansen M., Hasle G., and Løkketangen A. 2010. Industrial aspects and literature survey: Fleet composition and routing, Computers & Operations Research, 37(12): 2041-2061.

17- Koç Ç., Bektaş T., Jabali O., and Laporte G. 2015. A hybrid evolutionary algorithm for heterogeneous fleet vehicle routing problems with time windows, Computers & Operations Research, 64: 11-27.

18- Bayat A.A. 2014. July. Parallel universes algorithm: A metaheuristic approach to solve vehicle routing problem, In Computing, Communication and Networking Technologies (ICCCNT), 2014 International Conference on (pp. 1-7).

19- Chen C.H., and Ting C.J. 2006. An improved ant colony system algorithm for the vehicle routing problem. Journal of the Chinese institute of industrial engineers 23(2): 115-126.

20- Navidadham M., Arbabsadeghi M., Bayat A.A., and Didehvar F. 2015. Solving generalized vehicle routing problem by parallel universes and Tabu search. 6th International Conference on Computing, Communication and Networking Technologies (ICCCNT), pp. 1-7, IEEE.

21- Bravo J.J., and Vidal C.J. 2013. Freight transportation function in supply chain optimization models: A critical review of recent trends. Expert Systems with Applications, 40(17): 6742-6757.

22- Iran, I.R. of, Statistical Centre of Iran, 2011. Statistical Centre of Iran.

23- Forghani M., and Jafari A. 2013. A New Metaheuristic Algorithm for the Split Delivery Vehicle Fleet Mix Problem with Access Availability, Journal of Commerce Research, 66: 21–48.

24- Blum C., and Roli A. 2003. Metaheuristics in combinatorial optimization: Overview and conceptual comparison, ACM Computing Surveys (CSUR), 35(3): 268-308.

25- Bravo J.J., and Vidal C.J. 2013. Freight transportation function in supply chain optimization models: A critical review of recent trends. Expert Systems with Applications, 40(17): 6742-6757.