5 راهکارموثر #اسباب کشی برای حمل و نقل اثاثیه منزل دراصفهان چیست؟

برای هر ترکیب AoL-AoD (خدمات AC) ، ما شرکت های هوایی ارائه دهنده ارتباط را در نظر گرفتیم و از برنامه هفتگی مربوطه و کرایه های بازار منتشر شده استفاده کردیم. برای خدمات تحویل در کشور مقصد (خدمات FA) ، ما نقل قول های واقعی دریافت شده توسط نمایندگان خارجی را حمل و نقل اثاثیه منزل در اصفهان در نظر گرفتیم. نمونه هایی از اندازه های مختلف ، | K | = 10 ، 30 ، 50 و 100 ، با انتخاب تصادفی محموله های موجود در پایگاه داده 156 محموله ایجاد شده است. برای هر مقدار | K | ، 10 نمونه مختلف با اندازه یکسان دیرین بار تولید شده است.

در ادامه ، ما ابتدا اثربخشی تکنیک های شتاب بخش های 4.2 و 4.3 را در کاهش تعداد مسیرهای ایجاد شده توسط الگوریتم ساخت مسیر تجزیه و تحلیل می کنیم. سپس ، نتایج الگوریتم ریاضی را برای نسخه های مختلف قانون ابتکاری ارائه شده در بخش 4.4 ارائه می دهیم.

الگوریتم matheuristic در C#، بر روی پردازنده i3-4005U 1. حمل و نقل اثاثیه منزل در اصفهان 7 گیگاهرتز 64 بیتی ، 4 گیگابایت رایانه قابل حمل DDR3 Ram پیاده سازی شده است. CPLEX 12.5 به عنوان حل کننده MIP استفاده شده است.

5.1 عملکرد تکنیک های شتابدهی

هدف از قوانین تسلط ارائه شده در 2 ، دور انداختن مسیرهای تحت سلطه است تا تعداد مسیرهای منتقل شده به فرمول تقسیم بندی کاهش یابد. نتایج در جدول 2 ارائه شده است. عنوان ستون ها به شرح زیر است. N تعداد مسیرهایی است که بدون قوانین تسلط ایجاد می شوند ، D تعداد مسیرهایی است که هنگام حمل و نقل اثاثیه منزل در اصفهان اعمال قوانین تسلط ایجاد می شود ، قرمز است. (٪) درصد کاهش تعداد مسیرهای ایجاد شده با قوانین تسلط است. میانگین dirinbar و انحراف استاندارد برای هر ستون در دو ردیف آخر گزارش شده است.

شکل 1: حمل و نقل اثاثیه منزل در اصفهان

جدول 2: عملکرد حاکمیت سلطه برای حمل و نقل اثاثیه منزل در اصفهان

نتایج نشان می دهد که کاهش تعداد مسیرهای ایجاد شده قابل توجه است ، حدود 70. بنابراین ، می توان نتیجه گرفت که قوانین تسلط به طور م jobثر کار خود را انجام می دهد ، حتی اگر ، همانطور که بعداً اشاره خواهیم کرد ، این کاهش کافی نیست

برای کاهش مجموعه مسیرهای ایجاد شده به اندازه ای که توسط دیرین بار فرمول تقسیم بندی قابل تنظیم باشد.

حرکت به سمت ساخت مرزهای کم هزینه که در بخش حمل و نقل اثاثیه منزل در اصفهان 4.3 ارائه شده است ، هدف آن کاهش تعداد خدمات در TRgr ∪AC است که هنگام ساخت مسیرها مورد توجه قرار می گیرد ، به طوری که تعداد مسیرهای ایجاد شده را کاهش می دهد. نتایج در جدول 3 ارائه شده است که کاهش تعداد خدمات در AC مجموعه با استفاده از مرز کم هزینه را نشان می دهد. ما کاهش تعداد خدمات در TRgr را گزارش نمی کنیم زیرا تعداد این خدمات در موارد اصلی بسیار محدود است ، بنابراین هیچ صرفه جویی در این مجموعه حاصل نمی شود. عنوان ستونها به شرح زیر است. AC تعداد خدمات s ∈ AC ، VS تعداد خدمات مجازی تولید شده ، قرمز است. (٪) درصد کاهش تعداد خدمات هوایی در نظر گرفته شده است.

جدول 3 نشان می دهد که کاهش تعداد خدمات در AC بسیار زیاد است ، در مواردی که | K | بیش از 20٪ کاهش می یابد. = 10 و بیش از 14 for برای | K | = 100. با اجرای شبیه سازی در موارد دیگر ، متفاوت ، با جمع آوری داده های واقعی با توجه به چندین شرکت ، متوجه شدیم که این روش را می توان تقریباً در 70٪ خدمات هوایی موجود اعمال کرد ، زیرا شرکت های هوایی خدمات مشابهی را از نظر ساعت شروع ارائه حمل و نقل اثاثیه منزل در اصفهان می دهند. و زمان ترانزیت بنابراین ، مرز کم هزینه زمانی که در سناریوهای دنیای واقعی اعمال می شود dirinbar ، یک ابزار مفید است.

با این حال ، آزمایش های اولیه نشان می دهد که هر دو تکنیک شتاب برای کاهش تعداد کافی نیست

مسیرهای تولید شده به اندازه ای که توسط فرمول تقسیم بندی تقسیم بندی شده است. در واقع ، هیچ نمونه ای با

| K | = 100 را می توان به همراه بسیاری از موارد با | K | حل کرد = 50 و برخی موارد با | K | = 30. بنابراین ، ما اکنون بر الگوریتم ریاضی متمرکز شده ایم که برای مدیریت نمونه های بزرگ طراحی شده است.

5.2 عملکرد الگوریتم ریاضی

در این بخش ما نتایج بدست آمده با استفاده از الگوریتم حمل و نقل اثاثیه منزل در اصفهان ریاضی را با قوانین ابتکاری ارائه شده در بخش 4.4 برای مقادیر مختلف present ارائه می دیرین بار دهیم. به طور خاص ، ما ∆ = 1 ، 2 ، 3 روز (به ترتیب 2 ، 4 و 6 نیم روز) و ∆ = (lk-ek)/4 ، ∆ = (lk-ek)/3 و ∆ = (lk- ek)/2. تکنیک های شتاب هنوز استفاده می شود. در ادامه ، از علامت زیر استفاده خواهیم کرد:

• D 1D با ur = 1 روز مطابق با ابتکار عمل است.
• D 2D با he = 2 روز مطابقت دارد.
• ˆ 3D با ur = 3 روز مطابقت دارد.
• Q 1Q مربوط به ابتکاری با ∆ = (lk-ek)/4 نیم روز است.
• T 1T مربوط به ابتکاری با ∆ = (lk-ek)/3 نیم روز است.
• ˆ 1H مربوط به ابتکاری با ∆ = (lk-ek)/2 نیم روز است.

نتایج در جداول 4 و 5 برای مقادیر ثابت و متغیر ∆ به ترتیب ارائه شده است ، جایی که I عدد نمونه است ، V تعداد متغیرهای موجود در فرمول تقسیم بندی ، C تعداد محدودیت ها ، T زمان حل است. در ثانیه و G درصد شکاف بهینه در پایان است. توجه داشته باشید که وقتی G مثبت است ، به این معنی است که حافظه CPLEX تمام می شود. ما می توانیم ببینیم که ریاضی در تولید مجموعه ای م effectiveثر است

شکل 2: حمل و نقل اثاثیه منزل دراصفهان

f مسیرهایی با اندازه مناسب در حقیقت ، تقریباً همه موارد حمل و نقل اثاثیه منزل در اصفهان با بهینه حل می شوند و در غیر این صورت ، شکاف بهینه کاهش می یابد (به استثنای موارد 7 و 9 با | K | = 100 و D3). توجه داشته باشید که وقتی G برابر 0 باشد ، این بدان معنا نیست که محلول مربوطه بهینه است ، بلکه در عوض ، بهترین راه حل از مجموعه مسیرهای منتقل شده به فرمول یافت شده است.

از جداول 4 و 5 می توانیم ببینیم که در مجموعه مسیرهای مربوطه بهینه سازی شده است

مقادیر | K | تا 50 ، برای همه ابتکاری. موارد با | K | = 100 ، هنگام در نظر گرفتن مقدار ثابت ∆ ،

1D همیشه راه حل مطلوب مربوطه را پیدا می کند ، 2D در دو مورد بهینه را پیدا نمی کند اما فاصله بهینه اندک است (حداکثر 3.70)) ، در حالی که 3D تنها یک نمونه را برای بهینه حل می کند و حداکثر شکاف بهینه به 14 reaches می رسد. برای مقادیر متغیر ∆ و | K | = 100 ما وضعیت مشابهی داریم: 1Q همه موارد را حل می کند ، 1H قادر به حل سه مورد با حداکثر شکاف بهینه 2.13٪ و 1T در هیچ موردی به بهینه حل حمل و نقل اثاثیه منزل در اصفهان نمی کند و حداکثر شکاف بهینه 6.36٪ است.

خلاصه زمان حل ، بر حسب ثانیه ، در شکل 4 نشان داده شده است. توجه به این نکته بسیار جالب است که ، وقتی | K | = 100 ، 2D بیشتر از 3D و 1T بیشتر از 1H طول می کشد. دلیل این امر این است که ، برای سه بعدی و 1H ، حافظه CPLEX به سرعت تمام می شود.

شکل 4: میانگین زمان محاسبه بر ثانیه

تعداد مسیرهای ایجاد شده توسط هر قاعده ابتکاری در جدول 6 گزارش شده و در شکل 5 خلاصه شده است. همانطور که انتظار می رود ، رفتار زمان حل را نشان می دهد: هرچه تعداد مسیر dirinbar های ایجاد شده کمتر باشد ، زمان حل کمتر است. از سوی دیگر ، قربانی کردن مسیرهای زیاد ، خطر یافتن راه حل حمل و نقل اثاثیه منزل در اصفهان های غیر بهینه را در مقایسه با نسل وسیع تری از مسیرها افزایش می دهد.

شکل 5: تعداد مسیرهای ایجاد شده

• با تمرکز بر مقادیر محلول ، نتایج در جدول 7 گزارش شده است. جدول ارزش راه حل ها را مقایسه می کند
• با استفاده از قوانین مختلف در نظر گرفته شده ، با ارزش راه حل ارائه شده ، با ریاضیات بدست می آید
• با فرمول بندی مسئله ارائه شده در و پیرانو (2019). جدول درصد انحراف را گزارش می کند
• با توجه به راه حلی که در Peirano (2019) برای هر نمونه یافت شده است.

جدول 8: مقایسه با هزینه راه حل های شرکت

به طور شگفت انگیزی ، در حالت 1D ، راه حل بهینه ای که توسط مدل ابتکاری یافت می شود ، کمی بدتر از راه حل های بدست آمده از قوانین دیگر است. با این حال ، این فاصله به ندرت بیشتر از 1 and است و فقط در یک مورد بیش از 5 است. تفاوت درصد معمولاً بین 1 تا 3٪ از محلول موجود حمل و نقل اثاثیه منزل در اصفهان در Archetti and Peirano (2019) است ، اما از طرف دیگر ، زمان حل کمتر است. با وجود تمام قوانین اکتشافی باقی مانده ، شکاف همیشه کمتر از 3 است. در حالت دو بعدی ، شکاف نسبت به محلول موجود در Archetti and Peirano (2019) نسبت به D1 کمتر است. ما همچنین توجه داشته باشیم که D2 قاعده ابتکاری است که بهترین نتایج را برای | K | ارائه می دهد = 100. 3D به طور متوسط ​​بهترین قانون برای نمونه هایی با حداکثر 50 است

محموله ها

• قوانین اکتشافی با مقدار متغیر better بهتر از 1D اما بدتر از 2D و 3D ، با 1H
• بهترین بودن در بین این سه ما فرض می کنیم که این به این دلیل است که وقتی lk – ek بالا است ، امکان جستجو را می دهد
• برای طیف وسیع تری از مسیرهای ممکن که راه حل را بهبود نمی بخشد و تأثیر منفی بر مدل دارد

کارایی. از سوی دیگر ، هنگامی که lk – ek کم است و بنابراین به سرویس سریع نیاز است ، جستجو بیش از حد محدود شده است ، و اجازه پیدا نکردن مسیرهای خوب را نمی دهد.

به طور کلی ، تعیین مقدار ثابت ∆ برابر با دو روز حمل و نقل اثاثیه منزل در اصفهان به نظر می رسد که در نظر گرفتن تعادل بین کیفیت راه حل و زمان محاسبه ، بهترین انتخاب باشد. در موارد بزرگ ، این مقدار ∆ اغلب بهترین نتایج را از نظر کیفیت راه حل ایجاد می کند. راه حل های ارائه شده توسط مدل با 1 = 1 روز هنوز برای شرکت قابل اجرا هستند و می توان آنها را زمانی در نظر گرفت که زمان راه حل بسیار مهم است و تعداد محموله هایی که باید در نظر گرفته شود زیاد است. فاصله از راه حل مطلوب محدود است و زمان حل کاهش یافته انگیزه ای برای استفاده از این قانون است.

در نهایت ، ما عملکرد متهوریست را در مقایسه با راه حل های اجرا شده توسط شرکتی که این کار را الهام بخشیده و داده ها را ارائه می دهد ، مورد بررسی قرار دادیم. ما میانگین هزینه هزینه راه حل به دست آمده از هر قانون را با توجه به هزینه راه حل های شرکت گزارش می دهیم.