۶۰.۹۱۱۳

۸۷.۵۱۰۲

۷۳.۷۵۸۰

اگر به جدول (۵-۶) با دقت نگاهی بیفکنیم متوجه خواهیم شد که سطر مربوط به ۵ مشتری دارای نرخ بهبود ۱۰۰ است زیرا همان­طور که قبلا گفتیم (با توجه به جدول (۵-۵)) نرخ بهبود روش­های دیگر صفر است.
نرخ بهبود روش پیشنهادی نسبت به روش­های GA، PSO وHPSO را در شکل (۵-۷) می­توان ملاحظه نمود.
شکل(۵-۷): نمودار نسبت نرخ بهبود روش پیشنهادی
از نمودار شکل (۵-۷) به این نتیجه می­رسیم که الگوریتم روش پیشنهادی نسبت به روش­های دیگر، برای ۵ مشتری دارای بیشترین نرخ بهبود و برای ۱۰ مشتری دارای کمترین نرخ بهبود می­باشد؛ این حقیقت را می­توان با توجه به شکل (۵-۶) نیز متوجه شد؛ از آن­جا که نمودار روش پیشنهادی در شکل (۵-۶) برای ۵ مشتری با تفاوت زیادی از سه روش دیگر قرار گرفته است، در شکل (۵-۷) نیز در بالاتر از دیگر نمودارها قرار دارد و نمودار روش پیشنهادی در نمودار شکل (۵-۶) برای ۱۰ مشتری که با تفاوت کمتری نسبت به دیگر روش­ها است نیز پایین­ترین نمودار شکل (۵-۷) می­باشد.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

اگر بخواهیم نمودار شکل (۵-۷) را به صورت جزئی­تر مورد بررسی قرار دهیم، درمی­یابیم به­ دلیل این­که مقادیر نرخ بهبود روش­های GA، PSO وHPSO برای ۵ مشتری که از رابطه (۵-۱) بدست آمدند دارای مقدار یکسان (صفر) بودند بنابراین نرخ بهبود روش پیشنهادی نسبت به این روش­ها که از رابطه (۵-۲) حاصل شد نیز دارای مقدار یکسان (صد) می­باشد؛ هم­چنین می­توان گفت که نمودار مربوط به ۵ مشتری برای روش پیشنهادی دارای بهبود ۱۰۰ درصد نسبت به سه روش دیگر است و باز می­توان به این نتیجه رسید که به دلیل تفاوت قابل ملاحظه­ی نمودار روش پیشنهادی در نمودار شکل (۵-۶) برای ۵ مشتری می­باشد.

نتیجه ­گیری
از نمودارها و مقادیر بدست آمده به وسیله الگوریتم روش پیشنهادی و مقایسه­ آن­ها با مقادیر و نمودارهای سه روش (GA، PSO،HPSO) ارائه شده در مقاله پایه به این نتیجه می­رسیم که الگوریتم روش پیشنهادی توانسته است نسبت به روش­های این مقاله، مقادیر بهینه­تری را تولید کند. الگوریتم پیشنهادی نه تنها از روش GA موجود در مقاله دارای هزینه­ کمتر یا به عبارت دیگر بهینه­تر است بلکه توانسته است بهینه­تر بودن خود را نسبت به دو روش دیگر (PSO وHPSO) نیز به اثبات برساند. در تمامی مقادیر مربوط به ۵ مشتری، روش پیشنهادی کارایی بالایی را از خود نشان داده است. کارایی الگوریتم پیشنهادی با سه روش فراابتکاری دیگر مورد مقایسه قرار گرفت؛ نتایج بدست آمده برتری الگوریتم پیشنهادی را نسبت به الگوریتم­های دیگر نشان می­دهد.
فصل ششم
نتیجه ­گیری

نتیجه ­گیری و پیشنهادهای آینده
در نظر گرفتن شرایط عدم قطعیت برای مساله VRP امروزه از اهمیت بسزایی برخوردار است چرا که این مساله را به دنیای واقعی نزدیک­تر می­نماید و در نهایت کاربرد آن را توسعه می­بخشد. پایدار بودن جواب­های مساله در شرایط عدم قطعیت سبب کاربردی­تر کردن VRP و نزدیک­سازی آن به مسائل دنیای واقعی می­گردد.
با توجه به این­که برآورده کردن تقاضای مشتریان یکی از اهداف زنجیره تامین می­باشد، چگونگی برخورد با میزان نامشخص آن به مسـاله VRPSD کمک می­ کند تا در برآورده کردن میـزان خواسته­ های مشتری به گونه ­ای عمل کند که علاوه بر ارضاء تقاضای مشتریان، اهدافی همچون مسافت، زمان و… نیز کمینه گردد.
در این پژوهش ما روشی را با بهره گرفتن از الگوریتم ژنتیک ارائه دادیم که هنگام قرارگیری در شرایط عدم قطعیت از جمله مقدار نامشخص تقاضا، علاوه بر حفظ بهینگی، جواب­های پایداری برای مساله فراهم می­ کند. تابع هدفِ تعریف شده در این روش از سه جزء تشکیل شده است که دو جزء آن سعی در مینیمم کردن مسافت­های طی شده دارد که مربوط به هزینه­ های سفر می­باشد و جزء دیگر آن که برای کـمینه­سازی میزان جریمه ناشی از عدم برآورده کـردن میزان تقاضای مشتری تـلاش می­ کند، با هزینه­ های عدم سرویس به مشتریان در ارتباط است. همچنین به منظور ارزیابی نتایج، مساله VRPSD به صورت جداگانه برای سه گروه از مشتریان در اندازه­ های ۵، ۱۰ و ۱۲ مشتری حل شده است. سپس نتایج روش پیشنهادی با روش­هایی از قبیل: «الگوریتم ژنتیک»، «بهینه­سازی ازدحام ذرات» و «بهینه­سازی ازدحام ذرات ترکیبی» مورد مقایسه قرار گرفت. با بررسی نتایج مشخص شد که پاسخ مساله برای اندازه ۵ مشتری دارای کارآیی بسیار زیادی است و همان­طور که از نمودارهای آن مشخص است، این اندازه نیز از نرخ بهبود بیشتری نسبت به سه روش دیگر برخوردار است.
کار آینده بر روی تجزیه و تحلیل در مورد مسائل پیچیده­تر تمرکز دارد. استفاده از الگوریتم پیشنهادی برای مسائل پیچیده­ دنیای واقعی در مقیاس­های وسیع­تر یکی از موضوعات تحقیق ما در آینده خواهد بود. برای تحقیقات آینده، الهام از مباحث ما یکی از موضوعات پیشنهاد شده در جهت تلاش برای رسیدگی به بیش از یک جنبه از عدم قطعیت در یک مساله با حفظ پایداری جواب می­باشد.
پیوست­ها
کد برنامه مسیریابی وسایل­نقلیه
این کد مربوط به برنامه مسیریابی وسایل­نقلیه با تقاضای تصادفی است که جواب های پایداری را با در نظر گرفتن تقاضای نامشخص مشتریان بدست می ­آورد. این کد در برنامهMatlab 7.12.0 (R2011a) نوشته و اجرا شده است.
برنامه اصلی با نام gapermutation.m می­باشد که در داخل آن توابع زیر صدا زده می­ شود:
تابع create_permutations.m : این تابع وظیفه ایجاد جمعیت را بر عهده دارد.
تابع traveling_salesman_fitness.m : محاسبه میزان برازندگی هر کروموزوم بر عهده این تابع می­باشد.
تابع crossover_permutations.m : انجام عمل ادغام در این تابع صورت می­گیرد.
تابع mutate_permutations.m : عمل جهش کروموزوم ها بر عهده این تابع است.
تابع traveling_salesman_plot.m : در نهایت بهینه­ترین مسیر توسط این تابع رسم می­گردد.
کد مربوط به برنامه اصلی (gapermutation.m)
%% Genetic Algorithm Permutation
clc;
clear
%_____________________________________________________________________
%% initialize variable
maxgeneration=20;
%% generate random locations of cities
cities =10;
locat = zeros(cities,2);
locat(1,1) = 35;
locat(1,2) = 29;
locat(2,1) = -14;
locat(2,2) = -4;
locat(3,1) = 35;
locat(3,2) = -29;
locat(4,1) = -10;
locat(4,2) = -35;
locat(5,1) = -10;
locat(5,2) = -60;
locat(6,1) = 0;
locat(6,2) = 24;
locat(7,1) = -34;