Kapasiteli araç rotalama problemi için makine öğrenmesi ve matematiksel programlama temelli hibrid bir çözüm önerisi

IF 1 4区工程技术 Q3 ENGINEERING, MULTIDISCIPLINARY

Journal of the Faculty of Engineering and Architecture of Gazi University Pub Date : 2023-04-18 DOI:10.17341/gazimmfd.1120276

Özgür SANLI, Zühal KARTAL

{"title":"Kapasiteli araç rotalama problemi için makine öğrenmesi ve matematiksel programlama temelli hibrid bir çözüm önerisi","authors":"Özgür SANLI, Zühal KARTAL","doi":"10.17341/gazimmfd.1120276","DOIUrl":null,"url":null,"abstract":"Bu çalışmada, kapasiteli araç rotalama probleminin (KARP) çözümü için makine öğrenmesi teknikleri ile matematiksel programlama formülasyonlarını hibridleştiren iki aşamalı bir yaklaşım önerilmiştir. KARP'ın çözümü için ilk aşamada makine öğrenmesi algoritmaları ile düğümlerin hangi araçlara atanacağına karar verildikten sonra ortaya çıkan kümelerin toplam talep miktarının her bir aracın kapasitesini aşmaması kapasite dengeleme algoritması adı verilen bir metot tarafından garantilenmiştir. İkinci aşamada ise, her bir araç depodan tur oluşturmak için başlar ve gezgin satıcı problemi (GSP) matematiksel modelini kullanarak en kısa kat edilen mesafeyi bulmak için atanan tüm düğümleri ziyaret eder. KARP 'ın nihai çözümü, tüm TSP rotalarının birleştirilmesiyle oluşturulmuştur. Bu çalışmada kullanılan makine öğrenmesi algoritmaları denetimli öğrenme kategorisi altında; K-En yakın Komşuluk algoritması (K-NN) ve lojistik regresyon (LR) algoritmalarıyken; denetimsiz öğrenme kategorisi için, K-Ortalamalar (K-Means) algoritmasıdır. Önerilen yaklaşım için, farklı araç sayıları ile literatürden farklı veri setleri kullanılarak duyarlılık analizleri gerçekleştirilmiştir. Sonuç olarak önerilen hibrid yaklaşımın test problemlerinin çoğunda KARP'ın matematiksel modelinin çözümüne göre daha iyi sonuçlar verdiği gösterilmiştir.","PeriodicalId":51103,"journal":{"name":"Journal of the Faculty of Engineering and Architecture of Gazi University","volume":"200 1","pages":"0"},"PeriodicalIF":1.0000,"publicationDate":"2023-04-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of the Faculty of Engineering and Architecture of Gazi University","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17341/gazimmfd.1120276","RegionNum":4,"RegionCategory":"工程技术","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}

引用次数: 0

Abstract

Bu çalışmada, kapasiteli araç rotalama probleminin (KARP) çözümü için makine öğrenmesi teknikleri ile matematiksel programlama formülasyonlarını hibridleştiren iki aşamalı bir yaklaşım önerilmiştir. KARP'ın çözümü için ilk aşamada makine öğrenmesi algoritmaları ile düğümlerin hangi araçlara atanacağına karar verildikten sonra ortaya çıkan kümelerin toplam talep miktarının her bir aracın kapasitesini aşmaması kapasite dengeleme algoritması adı verilen bir metot tarafından garantilenmiştir. İkinci aşamada ise, her bir araç depodan tur oluşturmak için başlar ve gezgin satıcı problemi (GSP) matematiksel modelini kullanarak en kısa kat edilen mesafeyi bulmak için atanan tüm düğümleri ziyaret eder. KARP 'ın nihai çözümü, tüm TSP rotalarının birleştirilmesiyle oluşturulmuştur. Bu çalışmada kullanılan makine öğrenmesi algoritmaları denetimli öğrenme kategorisi altında; K-En yakın Komşuluk algoritması (K-NN) ve lojistik regresyon (LR) algoritmalarıyken; denetimsiz öğrenme kategorisi için, K-Ortalamalar (K-Means) algoritmasıdır. Önerilen yaklaşım için, farklı araç sayıları ile literatürden farklı veri setleri kullanılarak duyarlılık analizleri gerçekleştirilmiştir. Sonuç olarak önerilen hibrid yaklaşımın test problemlerinin çoğunda KARP'ın matematiksel modelinin çözümüne göre daha iyi sonuçlar verdiği gösterilmiştir.

查看原文本刊更多论文

基于机器学习和数学编程的容车路由问题混合解决方案

本研究提出了一种混合了机器学习技术和数学编程公式的两阶段方法，用于解决带容量的车辆路由问题（KARP）。在第一阶段，使用机器学习算法来决定将节点分配给哪些车辆，然后使用一种称为容量平衡算法的方法来保证由此产生的集群的总需求不超过每辆车的容量。在第二阶段，每辆车从车库出发形成一个巡回，并访问所有分配的节点，利用旅行推销员问题（GSP）数学模型找出最短距离。KARP 的最终解决方案由所有 TSP 路线组合而成。本研究中使用的机器学习算法有监督学习类的 K-Nearest Neighbour 算法（K-NN）和逻辑回归算法（LR），以及无监督学习类的 K-Means 算法。对于所提出的方法，使用文献中不同车辆数量的不同数据集进行了敏感性分析。结果表明，在大多数测试问题中，所提出的混合方法比 KARP 数学模型的求解结果更好。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Journal of the Faculty of Engineering and Architecture of Gazi University ENGINEERING, MULTIDISCIPLINARY-

CiteScore

1.90

自引率

45.50%

发文量

审稿时长

6-12 weeks

期刊介绍： Gazi University Journal of the Faculty of Engineering and Architecture; Engineering qualifications described below and in the field of architecture research papers and invited articles by scanning is considered to be Turkish.