مقاله انگلیسی رایگان در مورد الگوریتم بهینه سازی کلونی مورچه – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله یک الگوریتم بهینه سازی کلونی مورچه بهبود یافته برای مسئله مسیریابی دوره ای وسیله نقلیه با پنجره زمانی و انتخاب خدمات
عنوان انگلیسی مقاله An Improved Ant Colony Optimization algorithm to the Periodic Vehicle Routing Problem with Time Window and Service Choice
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۳۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۸۹۳ در سال ۲۰۱۹
شاخص H_index ۴۳ در سال ۲۰۲۰
شاخص SJR ۱٫۲۷۸ در سال ۲۰۱۹
شناسه ISSN ۲۲۱۰-۶۵۰۲
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط مهندسی الگوریتم و محاسبات، اینترنت و شبکه های گسترده
نوع ارائه مقاله
ژورنال
مجله  ازدحام و محاسبات تکاملی – Swarm and Evolutionary Computation
دانشگاه  College of Systems Engineering, National University of Defense Technology, Changsha, 410073, P.R. China
کلمات کلیدی بهینه سازی کلونی مورچه، بهینه سازی چند هدفه، مسئله مسیریابی دوره ای وسیله نقلیه با پنجره زمانی، آنلینگ شبیه سازی شده، انتخاب خدمات
کلمات کلیدی انگلیسی Ant Colony Optimization, Multi Objective Optimization, Periodic Vehicle Routing Problem with Time Window, Simulate Annealing, Service Choice
شناسه دیجیتال – doi
https://doi.org/10.1016/j.swevo.2020.100675
کد محصول E14658
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Problem description
۳٫ Multi-Objective Simulation Annealing Ant Colony Optimization
۴٫ Numerical analysis
۵٫ Conclusion
CRediT authorship contribution statement
References

بخشی از متن مقاله:
Abstract

This article addresses a Periodic Vehicle Routing Problem with Time Window and Service Choice problem. This problem is basically a combination of existing Periodic Vehicle Routing Problem with Time Window and Periodic Vehicle Routing Problem with Service Choice. We model it as a multi objective problem. To solve this problem, we develop a heuristic algorithm based on Improved Ant Colony Optimization (IACO) and Simulate Annealing (SA) called Multi Objective Simulate Annealing – Ant Colony Optimization (MOSA-ACO). Improvements are made in following respects: a) a Euclidean distance based solution acceptance criterion is developed; b) a parameter control pattern is designed to generate different initial solutions; c) several local search strategies are added. Benchmark instances generated from Solomon’s benchmark instances and Cordeau’s benchmarks instances are applied. Comparison algorithms include four population based heuristics and IACO. Computation experiment results show that MOSA-ACO algorithm has a good performance on solving this problem.

Introduction

In this article, we propose a special variant of existing Periodic Vehicle Routing Problem (PVRP) called Periodic Vehicle Routing Problem with Time Window and Service Choice (PVRPTW-SC). We give out a problem model which is an extension of PVRP-SC problem model. Then, a hybrid heuristic algorithm called Multi-Objective Simulation Annealing – Ant Colony Optimization (MOSA-ACO) is applied to this problem. Finally, computation experiment results are reported. Experiment instances include instances generated from VPRTW benchmark instances and PVRPTW benchmark instances. Experiment results show that the MOSA-ACO has a good performance on PVRPTW-SC. This research is first inspired by Jiting et al. [1]. In this paper, a geostationary orbit (GEO) satellite observation planning problem is introduced. The GEO satellite observation planning problem includes a GEO satellite and several targets on earth to be visited. The aim of GEO satellite observation planning problem is to find an observation plan with lowest cost and highest profit. To solve this problem, a NSGA II based algorithm and a Multi Objective Travelling Salesman Problem (MOTSP) model are implemented. In this paper, we extend this problem in several directions: a) in PVRPTW-SC problem, multi trips in a planning horizon are considered; b) time window constraint is considered; c) a changeable visit frequency of each customer in planning horizon is considered.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.