مسيريابي وسايل حمل و نقل چندهدفه با زمان سرويس احتمالي و تقاضاي فازي تحت محدوديت‌هاي پنجره زماني

حمل و نقل در سيستم هاي اقتصادي، توليدي و خدماتي از جايگاه مهمي برخوردار است و بخش قابل توجهي از توليد ناخالص ملي (GNP) هر كشوري را به خود اختصاص مي دهد. به همين جهت محققان نسبت به بهبود مسيرها و حذف سفرهاي غيرضروري و يا ايجاد مسيرهاي كوتاه جايگزين، اقدام نموده اند. از طرف ديگر توزيع فيزيكي محصولات يكي از كليدي ترين فعاليت هاي شركت هاي توليدي مي باشد، زيرا به طور متوسط بيش از 20% قيمت تمام شده محصولات، صرف توزيع فيزيكي آن ها مي شود. بهبود سيستم توزيع فيزيكي، علاوه بر كاهش هزينه، موجب ارتقا بهره‏وري نيز خواهد شد. مساله مسيريابي وسايل نقليه (VRP) در صدد بهينه كردن سيستم توزيع محصولات بوده به گونه‏اي كه هزينه هاي توزيع و ساير اهداف مورد نظر سازمان بهينه گردد. در اين مقاله مساله چندهدفه مسيريابي وسايل نقليه با در نظر گرفتن تقاضاي فازي مشتريان و محدوديت هاي پنجره زماني بمنظور كمينه كردن هزينه و سوخت مصرفي حمل و نقل مورد بررسي قرار مي گيرد. به منظور حل راحت و سريع مدل ارايه شده هزينه اي بر مقدار تجاوز از پنجره زماني براي هر وسيله نقليه در تابع هدف اول در نظر گرفته شده است. به دليل پيچيدگي مساله مسيريابي وسايل حمل و نقل از الگوريتم فرا ابتكاري چندهدفه رقابت استعماري جهت يافتن جواب هاي پارتو استفاده شده است و عملكرد آن در مقايسه با الگوريتم‏هاي شناخته شده NSGA-II وPAES نيز ثابت شده است.

Transportation plays a key role in economic, production and service provider systems and has a high effect in GNP scale of each country. Therefore, researchers try to omit the unnecessary paths in order to minimize the traversed links in the network. On the other hand, distribution is an important issue in production industry because it has been estimated that 20 percent of final price is spent on transportation. Improving the distribution system of each company leads the higher productivity. Vehicle Routing Problem (VRP) tries to improve the distribution system. In this paper, demand of customer is considered as a fuzzy variable and transportation time between nodes is also assumed to have a probability distribution. Due to the complexity of the model, a new multi-objective Imperialist Competitive Algorithm (MOICA) is developed for obtaining Pareto optimal solutions. The performance of the proposed solution algorithm is compared with that of two well-known meta-heuristics, namely, non-dominated sorting genetic algorithm (NSGA-II) and Pareto archive evolution strategy (PAES). Computational results show that MOICA outperforms the other meta-heuristics.