مدل مكان‌يابي ميانه‌ي p‌ قطبي چند‌هدفه با در نظر گرفتن صف در محيط فازي

A MULTI-OBJECTIVE P-HUB MEDIAN PROBLEM CONSIDERING QUEUE UNDER FUZZY ENVIRONMENT

مسيله‌ي مكان‌يابي مراكز قطبي كاربرد وسيعي در دنياي واقعي ــ از‌جمله در شبكه‌هاي ارتباطات، پستي، سيستم‌هاي حمل‌و‌نقل و خطوط هوايي ــ دارد و تحقيقات زيادي درخصوص آن انجام شده است. اين مسيله به‌ويژه در وضعيت‌هايي كه شدت جريان بالايي بين يك سري نقاط مبدا و مقصد در يك شبكه وجود دارد، كاربرد پيدا مي‌كند. در اين حالت به‌جاي ارتباط مستقيم بين اين نقاط سعي مي‌شود با انتخاب تعدادي از اين نقاط به‌عنوان مراكز قطبي, جريان‌ها از طريق اين مراكز عبور داده شوند تا از صرفه‌جويي‌هاي مربوطه استفاده ‌شود. بنابراين هدف مسيله انتخاب برخي گره‌ها به‌عنوان مركز قطبي و تخصيص گره‌هاي غيرقطبي به اين مراكز، به‌منظور دست‌يابي به كم‌ترين هزينه براي شبكه است. در بيشتر تحقيقات انجام‌شده در اين حوزه، سيستم از نقطه‌نظر برآورده‌شدن كم‌ترين هزينه مورد بررسي قرار گرفته، در حالي كه زمان نيز عامل مهمي است كه بايد به‌عنوان يك هدف منظور شود. همچنين، مطالعات محدود به حالاتي قطعي از شدت جريان بوده است. در اين تحقيق سعي شده اين مدل‌ها در حالت دو‌هدفه (زمان انتظار و هزينه) و حالت‌هاي غيرقطعي (فازي) از پارامترهاي شدت جريان بررسي شود. از نظريه‌ي برنامه‌ريزي فازي به‌منظور تخمين توابع هدف فازي، و از يك الگوريتم تركيبي هوشمند فراابتكاري (متاهيوريستيك) براي حل مدل توسعه‌يافته‌ بهره گرفته شده است.

The hub location problem is widely used in the real world, such as communications, postal services, transportation, and airline systems. This problem is applied on a network with high flow between nodes. The goal of the hub-location problem is locating some hub facilities on the nodes and allocation of other nodes to hub facilities, in order to minimize the total cost of service. The hub facilities may face a queue of service from demand nodes, due to limited service capacity and, hence, considering the queue in the model, improves the performance of the system. We consider the waiting time to receive the service, as well as the total cost of networks, as the objectives of the problem, and formulate a multi objective mathematical model under a fuzzy environment. We assume the flow rate between nodes and the service rate at hub facilities to be fuzzy numbers. To solve the derived model, we develop a hybrid intelligent algorithm by embedding fuzzy simulation into a simulated annealing method. Computational results, as well as future research potentials, were also presented.