Wielokryterialna optymalizacja zleceń transportowych przy użyciu innowacyjnego podejścia ewolucyjnego
Okładka tom 17
PDF (English)

Słowa kluczowe

algorytmy genetyczne
PDPTW
SPEA
system wsparcia logistycznego

Jak cytować

BułatR., & RadziszewskiM. (2011). Wielokryterialna optymalizacja zleceń transportowych przy użyciu innowacyjnego podejścia ewolucyjnego. Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej W Tarnowie, 17(1), 43-53. https://doi.org/10.25944/znmwse.2011.01.4353

Abstrakt

Jednym ze standardowych problemów spotykanych często w zagadnieniach logistycznych jest PDPTW (pickup and delivery problem with time windows), gdzie dysponując ograniczoną bazą transportową, należy w sposób efektywny transportować towary z punktu A do punktu B. Każda organizacja – zarówno biznesowa, jak i o charakterze niekomercyjnym – z oczywistych powodów niemożności ogarnięcia całościowo procesów logistycznych bez pomocy automatyzacji, musi być wyposażona w system wsparcia logistycznego. Alternatywą dla innych rozwiązań analitycznych może być zatem system oparty na algorytmach genetycznych, biorący pod uwagę możliwości infrastruktury oraz ramy czasowe i wynikające z nich kary za opóźnienia. Platforma ta powinna też umożliwić przejście od rozwiązywania problematu zdefiniowanego matematycznie (jednak mającego nikłe zastosowanie praktyczne) do problemów logistycznych opartych na faktycznych potrzebach przemysłowych. System taki został zaimplementowany i przy użyciu podstawowych operatorów genetycznych – klonowania, mutacji i krzyżówki – jest w stanie planować rozwiązania dla dowolnie zdefiniowanego, rozwiązywalnego problemu transportowego oraz dowolnie zdefiniowanego algorytmu używającego tych operatorów. Po uruchomieniu programu i wprowadzeniu danych rozpoczynana jest symulacja zadanej ilości pokoleń algorytmu genetycznego, domyślnie wykonywanych według algorytmu SPEA (Strength Pareto Evolutionary Algorithm). Wyniki symulacji w postaci końcowego zbioru rozwiązań wypisywane są do pliku. Dla zastosowanego algorytmu dla problemu testowego zostały znalezione rozwiązania optymalne dla każdej ze zmiennych lub rozwiązania pośrednie.

 

https://doi.org/10.25944/znmwse.2011.01.4353
PDF (English)

Bibliografia

Beier F.J., Rutkowski K., Logistyka, Szkoła Główna Handlowa, Warszawa 1995. ISBN 83-86689-06-4.
Zobacz w Google Scholar

Chaberek M., Modelowanie systemu wsparcia logistycznego organizacji, [w:] M. Chaberek (red.), Modelowanie procesów i systemów logistycznych, cz. 1, Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk 2001, s. 69–80.
Zobacz w Google Scholar

Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
Zobacz w Google Scholar

Haupt R.L., Haupt S.E., Practical Genetic Algorithms, John Wiley & Sons, New York 1998.
Zobacz w Google Scholar

Kalyanmoy D., Multi-Objective Optimization Using Evolutionary Algorithms, Wiley, New York 2001. ISBN 047187339X.
Zobacz w Google Scholar

Goldberg D., Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley Professional, Reading 1989. ISBN 0201157675.
Zobacz w Google Scholar

© Copyright by Małopolska Wyższa Szkoła Ekonomiczna w Tarnowie. Artykuły są udostępniane na podstawie Creative Commons Attribution Uznanie autorstwa - Użycie niekomercyjne - Bez utworów zależnych 4.0 Licencja Międzynarodowa

 

Pobrania

Dane pobrania nie są jeszcze dostepne