اخبار و اعلانات

 آمار

تعداد نشریات418
تعداد شماره‌ها9,983
تعداد مقالات83,451
تعداد مشاهده مقاله76,414,807
تعداد دریافت فایل اصل مقاله53,548,738
جعفری اسکندری, میثم, عموزادخلیلی, علی. (1395). توسعه مسأله فروشنده دوره گرد برای محصولات برگشتی با استفاده از الگوریتم خفاش (مطالعه موردی شرکت وزنه). نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 10(33), 35-42.
میثم جعفری اسکندری; علی عموزادخلیلی. "توسعه مسأله فروشنده دوره گرد برای محصولات برگشتی با استفاده از الگوریتم خفاش (مطالعه موردی شرکت وزنه)". نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 10, 33, 1395, 35-42.
جعفری اسکندری, میثم, عموزادخلیلی, علی. (1395). 'توسعه مسأله فروشنده دوره گرد برای محصولات برگشتی با استفاده از الگوریتم خفاش (مطالعه موردی شرکت وزنه)', نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 10(33), pp. 35-42.
جعفری اسکندری, میثم, عموزادخلیلی, علی. توسعه مسأله فروشنده دوره گرد برای محصولات برگشتی با استفاده از الگوریتم خفاش (مطالعه موردی شرکت وزنه). نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 1395; 10(33): 35-42.

توسعه مسأله فروشنده دوره گرد برای محصولات برگشتی با استفاده از الگوریتم خفاش (مطالعه موردی شرکت وزنه)

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)
مقاله 3، دوره 10، شماره 33، آذر 1394، صفحه 35-42    اصل مقاله (831.63 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
میثم جعفری اسکندری* 1؛ علی عموزادخلیلی2
1مدرس، دانشگاه پیام نور، گروه مهندسی صنایع، تهران، ایران
2دانشجوی کارشناسی ارشد، دانشگاه پیام نور، گروه مهندسی صنایع، عسلویه، ایران
چکیده
مسأله فروشنده دوره گرد یکی از مهم ترین مسائل در بهینه سازی ترکیباتی است که در بسیاری از علوم مهندسی مورد استفاده قرار می گیرد و توجه بسیاری از دانشمندان و محققین را به خود جلب کرده است. از جمله کاربردهای این مسأله بررسی مسائل حمل و نقل می باشد. در این مقاله با توسعه مدل TSP برای کالاهای برگشتی به کارخانه در صدد کمینه سازی هزینه های ناشی از حمل و نقل هستیم. از آنجا که مدل به دست آمده از نوع NP-Hard است، برای حل آن از الگوریتم فراابتکاری خفاش استفاده می کنیم.
کلیدواژه‌ها
مسأله فروشنده دوره گرد؛ محصولات برگشتی؛ الگوریتم خفاش
مراجع
  1. pplegate, D. L.; Bixby, R. M.; Chvátal, V.; Cook, W. J. (2006), the Traveling Salesman Problem, ISBN 0-691-12993-2.
  2. Bektas, T. (2006). The multiple traveling salesman problem: An overview of formulations and solution procedures. Omega, 34(3), 209–219.
  3. Chan, D. and Mercier, D. (1989). IC insertion: An application of the traveling salesman Problem, International Journal of Production Research, 27, 1837–1841.
  4. Cordeau,J.F.,Ghiani,G.,& Guerriero, E. (2014). Analysis and branch and-cut algorithm for the time dependent travelling salesman problem. Transportation Science, 48(1), 46–58.
  5. Gromicho J., Paixao J. and Branco I. (1992). Exact solution of multiple traveling salesman problems, In: MustafaAkgül, et al., editors. Combinatorial optimization. NATO ASI Series, Berlin: Springer, F82, 291–292.
  6. Hougardy Stefan, Mirko Wilde. (2014). On the nearest neighbor rule for the metric traveling salesman problem, Discrete Applied Mathematics.
  7.  Li. D, and H.X. Sun. (2009) “An Application Research of TSP Based on Genetic Algorithm,” Science Technology of Heilongjiang Province, (13), 27.
  8. Nemati, K., Shamsuddin, S.M. and Saberi Kamarposhti, M. (2011). Using Imperial Competitive Algorithm for Solving Traveling Salesman Problem and Comparing the Efficiency of the Proposed Algorithm with Methods in Use, Australian Journal of Basic and Applied Sciences, 5(10), 540-543.
  9. Peng. D.P, Z.Y. Lin, and J.Q. Wang. (2002).An Improved Genetic Algorithm for TSP      Problem, Computer Engineering and Applications, (13), 91-93.
  10. Roberti, R., & Toth, P. (2012). Models and algorithms for the asymmetric traveling sales man problem: an experimental comparison. EURO Journal on Transportation and Logistics,1,113–133.
  11. Salari M., Z. Naji Azimi. (2012). An integer programming-based local search for the covering salesman problem, Comput. Oper. Res. 39 (11), 2594–2602.
  12. Salari Majid, Mohammad H. Shaelaiea, Zahra Naji-Azimib. (2014). The generalized covering traveling salesman problem, Applied Soft Computing.
  13. Soylu Banu. (2015). A general variable neighborhood search heuristic for multiple traveling salesmen problem, Computers & Industrial Engineering.
  14. Tas Duygu, Michel Gendreaub, Ola Jabali, Gilbert Laporte. (2015). The traveling salesman problem with time-dependent service times, European Journal of Operational Research2.
  15. Venkatesh, P., & Singh, A. (2015). Two metaheuristic approaches for the multiple traveling salesperson problem. Applied Soft Computing, 26, 74–89.
  16. Wong, L.P., Low, M.Y.H. and Chong, C.S. (2008). A bee colony optimization algorithm for traveling salesman problem, Modeling & Simulation, AICMS 08. Second Asia International Conference on, 818– 823.
  17.  Yang, X.S. (2008). Nature-inspired metaheuristic algorithms, 1stEdition, Luniver Press.
  18.  Yang, X.S. (2010). a new metaheuristic bat-inspiredalgorithm, in: Nature Inspired Cooperative Strategiesfor Optimization, NISCO 2010, Studies in Computational Intelligence, Springer Berlin. Available from: http://arxiv.org/
  19.  Yang, X.S. (2011). Bat algorithm for multi-objectiveoptimization, International Journal Bio-Inspired Computation. Available from: http://arxiv.org/
  20. Zhang, X. and Tang, L. (2009). A new hybrid ant colony optimization algorithm for the vehicle routing problem, Pattern Recognition Letters, 30, 848–855.
آمار
تعداد مشاهده مقاله: 323
تعداد دریافت فایل اصل مقاله: 208


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب