1. Trang chủ
  2. » Giáo Dục - Đào Tạo

MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE

66 34 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Một Thuật Toán Tối Ưu Đàn Kiến Giải Bài Toán Điều Phối Xe
Tác giả Trần Lan Phương
Người hướng dẫn PGS. TS Hoàng Xuân Huấn
Trường học Đại học Quốc gia Hà Nội
Chuyên ngành Kỹ thuật phần mềm
Thể loại luận văn thạc sĩ
Năm xuất bản 2019
Thành phố Hà Nội
Định dạng
Số trang 66
Dung lượng 2,25 MB

Nội dung

Ngày đăng: 18/11/2021, 07:07

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Hoàng Xuân Huấn, Đỗ Đức Đông (2012), Giáo trình Tối ưu hóa – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội Sách, tạp chí
Tiêu đề: Giáo trình Tối ưu hóa
Tác giả: Hoàng Xuân Huấn, Đỗ Đức Đông
Năm: 2012
[2] Đỗ Đức Đông (2012), Phương pháp tối ưu đàn kiến và ứng dụng, Đại học Công nghệ - Đại học Quốc gia Hà Nội Sách, tạp chí
Tiêu đề: Phương pháp tối ưu đàn kiến và ứng dụng
Tác giả: Đỗ Đức Đông
Năm: 2012
[3] Đặng Thị Thanh Nguyên (2010), Giải thuật Large Neighborhood Search và Simulated Annealing cho một biến thể thực tế của bài toán Vehicle Routing , Đại học Khoa học tự nhiên - Đại học Quốc gia TPHCM.Tiếng Anh Sách, tạp chí
Tiêu đề: Giải thuật Large Neighborhood Search và Simulated Annealing cho một biến thể thực tế của bài toán Vehicle Routing
Tác giả: Đặng Thị Thanh Nguyên
Năm: 2010
[4] Naccache, J.-F. Cˆot´e, and L.C. Coelho (2018), The multi-pickup and delivery problem with time windows. European Journal of Operational Research, 269(1) pp 353–362 Sách, tạp chí
Tiêu đề: The multi-pickup and delivery problem with time windows
Tác giả: Naccache, J.-F. Cˆot´e, and L.C. Coelho
Năm: 2018
[5] Imadeddine Aziez, Jean-Franỗois Cụtộ, Leandro C. Coelho (2019), A Branch-and-Cut Algorithm for the Multi-Pickup and Delivery Problem with Time Windows, CIRRELT-2019-04 Sách, tạp chí
Tiêu đề: A Branch-and-Cut Algorithm for the Multi-Pickup and Delivery Problem with Time Windows
Tác giả: Imadeddine Aziez, Jean-Franỗois Cụtộ, Leandro C. Coelho
Năm: 2019
[6] Yu Bin, Yang Zhong-Zhen, Yao Baozhen (2009), An improved ant colony optimization for vehicle routing problem, European Journal of Operational Research (196), pp 171-176 Sách, tạp chí
Tiêu đề: An improved ant colony optimization for vehicle routing problem
Tác giả: Yu Bin, Yang Zhong-Zhen, Yao Baozhen
Năm: 2009
[7] M.Noumbissi Tchoupo, A.Yalaoui, L.Amodeo, F.Yalaoui and F.Lutz (2017), Ant Colony Optimization Algorithm for Pickup and Delivery Problem with TimeWindows, University of Technology of Troyes, France Sách, tạp chí
Tiêu đề: Ant Colony Optimization Algorithm for Pickup and Delivery Problem with TimeWindows
Tác giả: M.Noumbissi Tchoupo, A.Yalaoui, L.Amodeo, F.Yalaoui and F.Lutz
Năm: 2017
[8] C. cung hetti, D. Feillet, M. Gendreau, and M.G. Speranza (2010), Complexity of the VRP and SDVRP, Transport Res Part C19 Sách, tạp chí
Tiêu đề: Complexity of the VRP and SDVRP
Tác giả: C. cung hetti, D. Feillet, M. Gendreau, and M.G. Speranza
Năm: 2010
[9] R. BALDACCI, M. BATTARRA, AND D. VIGO (2008), Routing a heterogeneous fleet of vehicles, in The Vehicle Routing Problem: Latest Advances and New Challenges, Springer, New York, pp. 3–27 Sách, tạp chí
Tiêu đề: Routing a heterogeneous fleet of vehicles
Tác giả: R. BALDACCI, M. BATTARRA, AND D. VIGO
Năm: 2008
[10] M. Dorigo , L. Gambardella (1997) ,Ant colony system: A cooperative learning approach to the traveling salesman problem, IEEE Trans. on evolutionary computation. 1(1), pp. 53-66 Sách, tạp chí
Tiêu đề: A cooperative learning approach to the traveling salesman problem
[11] W. Gutjahr (2002), "ACO algorithms with guaranteed convergence to the optimal solution", Info.Proc. Lett. 83(3), tr. 145-153 Sách, tạp chí
Tiêu đề: ACO algorithms with guaranteed convergence to the optimal solution
Tác giả: W. Gutjahr
Năm: 2002
[12] P. Pellegrini và A. Ellero (2008), The Small World of Pheromone Trails, Proc. of the 6th international conference on Ant Colony Optimization and Swarm Intelligence, Brussels, Belgium Sách, tạp chí
Tiêu đề: The Small World of Pheromone Trails
Tác giả: P. Pellegrini và A. Ellero
Năm: 2008
[13] M. Dorigo, and T.Stützle (2004), Ant Colony Optimization, The MIT Press, Cambridge, Masachusetts Sách, tạp chí
Tiêu đề: Ant Colony Optimization
Tác giả: M. Dorigo, and T.Stützle
Năm: 2004
[14] C. Coelho, J. Renaud, and G. Laporte (2016). Road-based goods transportation: a survey of real-world logistics applications from 2000 to 2015. INFOR: Information Systems and Operational Research, 54(2), pp 79–96 Sách, tạp chí
Tiêu đề: a survey of real-world logistics applications from 2000 to 2015
Tác giả: C. Coelho, J. Renaud, and G. Laporte
Năm: 2016
[15] Pisinger and S. Ropke (2007), A general heuristic for vehicle routing problems. Computers & Operations Research, 34(8), pp 2403–2435 Sách, tạp chí
Tiêu đề: A general heuristic for vehicle routing problems
Tác giả: Pisinger and S. Ropke
Năm: 2007
[16] Subramanian, L. M. A. Drummond, C. Bentes, L. S. Ochi, and R. Farias (2010), A parallel heuristic for the vehicle routing problem with simultaneous pickup and delivery. Computers & Operations Research, 37(11), pp 1899–1911 Sách, tạp chí
Tiêu đề: A parallel heuristic for the vehicle routing problem with simultaneous pickup and delivery
Tác giả: Subramanian, L. M. A. Drummond, C. Bentes, L. S. Ochi, and R. Farias
Năm: 2010
[17] P. Goksal, I. Karaoglan, and F. Altiparmak (2013). A hybrid discrete particle swarm opti- mization for vehicle routing problem with simultaneous pickup and delivery.Computers & Industrial Engineering, 65(1), pp 39–53 Sách, tạp chí
Tiêu đề: A hybrid discrete particle swarm opti- mization for vehicle routing problem with simultaneous pickup and delivery
Tác giả: P. Goksal, I. Karaoglan, and F. Altiparmak
Năm: 2013
[18] Ropke, J.-F. Cordeau, and G. Laporte (2007), Models and branch-and-cut algorithms for pickup and delivery problems with time windows. Networks, 49(4), pp 258–272 Sách, tạp chí
Tiêu đề: Models and branch-and-cut algorithms for pickup and delivery problems with time windows
Tác giả: Ropke, J.-F. Cordeau, and G. Laporte
Năm: 2007
[19] Ropke and J.-F. Cordeau (2009), Branch and cut and price for the pickup and delivery problem with time windows. Transportation Science, 43(3), pp 267–286 Sách, tạp chí
Tiêu đề: Branch and cut and price for the pickup and delivery problem with time windows
Tác giả: Ropke and J.-F. Cordeau
Năm: 2009
[20] Baldacci, E. Bartolini, and A. Mingozzi (2011), An exact algorithm for the pickup and delivery problem with time windows. Operations Research, 59(2), pp 414–426 Sách, tạp chí
Tiêu đề: An exact algorithm for the pickup and delivery problem with time windows
Tác giả: Baldacci, E. Bartolini, and A. Mingozzi
Năm: 2011

HÌNH ẢNH LIÊN QUAN

Bài toán TSP có thể được mô hình hóa bằng một đồ thị, trong đó các đỉnh của đồ thị tương ứng với các thành phố, các cạnh tương ứng với đường đi giữa các thành phố, khoảng cách giữa các thành phố là trọng số tương ứng của các cạnh nối chúng - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
i toán TSP có thể được mô hình hóa bằng một đồ thị, trong đó các đỉnh của đồ thị tương ứng với các thành phố, các cạnh tương ứng với đường đi giữa các thành phố, khoảng cách giữa các thành phố là trọng số tương ứng của các cạnh nối chúng (Trang 12)
Hình 1.2 Mô phỏng bài toán VRP. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 1.2 Mô phỏng bài toán VRP (Trang 13)
Hình 1.3 Mô phỏng bài toán CVRP. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 1.3 Mô phỏng bài toán CVRP (Trang 15)
Bảng 1.1 Các biến thể của bài toán VRP phân chia theo đặc điểm đội xe. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Bảng 1.1 Các biến thể của bài toán VRP phân chia theo đặc điểm đội xe (Trang 17)
Hình 2.1 Ví dụ về hoạt động của đàn kiến trong thực tế. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 2.1 Ví dụ về hoạt động của đàn kiến trong thực tế (Trang 23)
Hình 2.2 Ví dụ về hoạt động của đàn kiến nhân tạo. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 2.2 Ví dụ về hoạt động của đàn kiến nhân tạo (Trang 24)
Hình 2.3 Đồ thị cấu trúc tổng quát cho bài toán cực trị hàm - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 2.3 Đồ thị cấu trúc tổng quát cho bài toán cực trị hàm (Trang 26)
Các bước thực hiện của thuật toán ACO được đặc tả như trong hình 2.4. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
c bước thực hiện của thuật toán ACO được đặc tả như trong hình 2.4 (Trang 28)
Hình 3.1 Minh họa các yêu cầu R1 và R6 thuộc tuyến đường của xe k. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 3.1 Minh họa các yêu cầu R1 và R6 thuộc tuyến đường của xe k (Trang 39)
Hình 3.2 Đồ thị cấu trúc cho bài toán MPDPTW. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 3.2 Đồ thị cấu trúc cho bài toán MPDPTW (Trang 42)
Hình 3.3 Mô tả thuật toán T1 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 3.3 Mô tả thuật toán T1 (Trang 45)
Hình 3.4 Mô tả thuật toán T2 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 3.4 Mô tả thuật toán T2 (Trang 46)
Hình 3.5 Mô tả quá trình tìm kiếm cục bộ - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 3.5 Mô tả quá trình tìm kiếm cục bộ (Trang 46)
Hình 4.1 dưới đây sẽ trình bày các bộ dữ liệu được xác định theo các đặc điểm: - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 4.1 dưới đây sẽ trình bày các bộ dữ liệu được xác định theo các đặc điểm: (Trang 51)
Hình 4.2 Mô tả dữ liệu đầu vào. - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 4.2 Mô tả dữ liệu đầu vào (Trang 52)
VD: Hình 4.2 và Hình 4.3 mô tả dữ liệu đầu vào và kết quả đầu ra tương ứng của một trường hợp kiểm tra của chúng tôi với bộ dữ liệu L_4_25 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 4.2 và Hình 4.3 mô tả dữ liệu đầu vào và kết quả đầu ra tương ứng của một trường hợp kiểm tra của chúng tôi với bộ dữ liệu L_4_25 (Trang 52)
Bộ dữ liệu trong hình 4.2 bao gồm: - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
d ữ liệu trong hình 4.2 bao gồm: (Trang 53)
Bảng 4.1 dưới đây là kết quả chúng tôi thống kê được khi tiến hành chạy thực nghiệm với 24 bộ dữ liệu chuẩn - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Bảng 4.1 dưới đây là kết quả chúng tôi thống kê được khi tiến hành chạy thực nghiệm với 24 bộ dữ liệu chuẩn (Trang 54)
Bảng 4.2 so sánh kết quả giữa ACO là lời giải tối ưu của thuật toán được chúng tôi cài đặt và CPLEX [4] là lời giải tối ưu của bài toán được lập trình trên mô hình toán học đã xây dựng ở chương 3 phần 3.1.2 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Bảng 4.2 so sánh kết quả giữa ACO là lời giải tối ưu của thuật toán được chúng tôi cài đặt và CPLEX [4] là lời giải tối ưu của bài toán được lập trình trên mô hình toán học đã xây dựng ở chương 3 phần 3.1.2 (Trang 55)
Nhận xét: Từ kết quả ở bảng 4.1 chúng tôi quan sát thấy rằng, đối với trường hợp bộ dữ liệu có cùng kích thước thì bộ dữ liệu thuộc loại yêu cầu dài (có tối đa 8 nút trong một yêu cầu) sẽ dễ dàng giải quyết hơn bộ dữ liệu thuộc loại yêu cầu ngắn (có tối - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
h ận xét: Từ kết quả ở bảng 4.1 chúng tôi quan sát thấy rằng, đối với trường hợp bộ dữ liệu có cùng kích thước thì bộ dữ liệu thuộc loại yêu cầu dài (có tối đa 8 nút trong một yêu cầu) sẽ dễ dàng giải quyết hơn bộ dữ liệu thuộc loại yêu cầu ngắn (có tối (Trang 55)
Nhận xét: Dựa vào kết quả thực nghiệ mở bảng 4.2, dễ dàng nhận thấy rằng các bộ dữ liệu thử nghiệm có thời gian cửa sổ ở mức bình thường có độ sai số là không đáng kể, sai số cao nhất chiếm 1.13% ở bộ dữ liệu N_4_100 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
h ận xét: Dựa vào kết quả thực nghiệ mở bảng 4.2, dễ dàng nhận thấy rằng các bộ dữ liệu thử nghiệm có thời gian cửa sổ ở mức bình thường có độ sai số là không đáng kể, sai số cao nhất chiếm 1.13% ở bộ dữ liệu N_4_100 (Trang 56)
Bảng 4.3 so sánh kết quả của các bộ dữ liệu đầu vào kích thước lớn gồm 100 và 400 nút khi chạy cùng vòng lặp giữa thuật toán ACO sử dụng quy tắc cập nhật mùi SMMAS do chúng tôi cài đặt và thuật toán ACO sử dụng quy tắc cập nhật mùi MMAS được lấy từ đườn - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Bảng 4.3 so sánh kết quả của các bộ dữ liệu đầu vào kích thước lớn gồm 100 và 400 nút khi chạy cùng vòng lặp giữa thuật toán ACO sử dụng quy tắc cập nhật mùi SMMAS do chúng tôi cài đặt và thuật toán ACO sử dụng quy tắc cập nhật mùi MMAS được lấy từ đườn (Trang 57)
Bảng 4.4 so sánh kết quả của các bộ dữ liệu đầu vào kích thước lớn gồm 100 và 400 nút khi chạy cùng thời gian giữa thuật toán ACO sử dụng quy tắc cập nhật mùi SMMAS và thuật toán ACO sử dụng quy tắc cập nhật mùi MMAS - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Bảng 4.4 so sánh kết quả của các bộ dữ liệu đầu vào kích thước lớn gồm 100 và 400 nút khi chạy cùng thời gian giữa thuật toán ACO sử dụng quy tắc cập nhật mùi SMMAS và thuật toán ACO sử dụng quy tắc cập nhật mùi MMAS (Trang 58)
Hình 4.4 Mở chương trình - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
Hình 4.4 Mở chương trình (Trang 63)
Bước 2: Bấm nút “Run” hoặc nhấn F6 để chạy chương trình như Hình 4.5 - MỘT THUẬT TOÁN TỐI ưu đàn KIẾN GIẢI BÀI TOÁN ĐIỀU PHỐI XE
c 2: Bấm nút “Run” hoặc nhấn F6 để chạy chương trình như Hình 4.5 (Trang 64)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w