ارائه يك روش ابتكاري تركيبي دوفازي بر مبناي خوشه بندي براي مساله مكان‌يابي – مسيريابي

A Two Phase Hybrid Heuristic Based On Clustering and Simulated Annealing for Two Echelon Location-Routing Problem

مساله مكان يابي – مسيريابي دو جزء زنجيره تامين يعني مكان‌يابي تسهيلات و مسيريابي وسيله نقليه را به صورت يكپارچه در نظر مي گيرد. در اين مقاله يك روش ابتكاري تركيبي دوفازي بر مبناي خوشه بندي براي حل مساله مكان يابي – مسيريابي ارائه شده است. در فاز اول ساخت جواب اوليه و در فاز دوم بهبود جواب اوليه انجام مي شود. در فاز اول جواب اوليه بر مبناي خوشه بندي مشتريان ايجاد مي گردد. در اين روش ابتكاري سه استراتژي خوشه بندي ارائه شده است كه هر كدام از اين استراتژي ها جواب اوليه متفاوتي ايجاد مي كنند. فاز دوم اين روش ابتكاري نيز شامل دو مرحله مي باشد. مرحله اول بهبود جواب اوليه به صورت هوشمند است در مرحله دوم اين فاز جواب هاي همسايه ايجاد شده به صورت تصادفي توليد مي شوند. در چارچوب كلي فاز دوم، براي فرار از بهينه محلي از روش فراابتكاري شبيه سازي تبريد استفاده شده است. در پايان فاز دوم، الگوريتم پيشنهادي به فاز اول برگشته و خوشه بندي مشتريان با تعداد خوشه هاي جديد انجام مي شود. براي ارزيابي كيفيت روش پيشنهادي، دو نمونه مثال 24 تايي و 13 تايي در حوزه مساله مكان يابي – مسيريابي از ادبيات در نظر گرفته شده است كه نتايج حاصل ار اجراي روش پيشنهادي با نتايج يك روش فراابتكاري موجود در ادبيات (GRASP) و همچنين حد پايين ارائه شده براي اين مثال ها مقايسه گرديد. مقايسه نتايج بدست آمده كارا بودن روش پيشنهادي را نشان مي دهد.

The two-echelon location-routing problem is one of the practical problems in the transportation network, which includes two levels in their network. In this paper a two phase hybrid heuristic based on clustering for solving location-routing problem is proposed. In the first phase, initial solution is constructed and in the second phase the initial solution is improved. The initial solution is created based on clustering. In this paper Three clustering strategies are introduced which each of these strategies will produce a different initial solution. The second phase of heuristic method consists of two steps. In the first step, the initial solution is improved smartly and in the second step neighbor solutions are generated randomly. In the overall framework of the second phase, to escape from local optimum, simulation annealing is used. At the end of the second phase, the algorithm return to the first phase and clustering is done with different number and then runs the second phase. To evaluate the quality of the proposed method, two data sets sample with 24 and 13 instances of literature are considered. The results of the implementation of the proposed method are compared with the results of a meta-heuristic method in the literature (GRASP) and lower bound of these data set samples. Comparison of the results shows the effectiveness of the proposed method.