پایان نامه مسیریابی حمل و نقل کالا در زنجیره تامین در شرایط عدم قطعیت با استفاده از الگوریتم ژنتیک

  • Code: # 31089

  • تعداد صفحات: 109
  • فرمت فایل: word
  • سال: مشخص نشده
  • مقطع: کارشناسی ارشد
  • دسته بندی: مهندسی کامپیوتر
قیمت: ۳۵,۰۰۰ تومان
۶۵,۰۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست
  • خلاصه پایان نامه مسیریابی حمل و نقل کالا در زنجیره تامین در شرایط عدم قطعیت با استفاده از الگوریتم ژنتیک

    پایان نامه برای دریافت درجه کارشناسی ارشد "MSC"

    رشته: کامپیوتر

       گرایش: نرم افزار

    چکیده

     

    یکی از مسائلی که امروزه در زنجیره تأمین بسیار مطرح است و مطالعاتِ گسترده­ای در زمینه­ی آن انجام شده، مسأله مسیریابی وسایل نقلیه حامل بار برای تحویل کالا به متقاضیان می­باشد. برای حل این مسأله باید تابع هدفی را بهینه سازی کرد به نحوی که معیارهایی از قبیل مسافتِ طی شده، زمان سفر و تعداد وسایل نقلیه کمینه شود و تابع هدف حداقل گردد و در نهایت رضایت مشتریان به حداکثر برسد. این مسأله از نوع NP-hard است و اغلب برای حل آن­ از روش­های فرا­ابتکاری استفاده می­شود. در دنیای واقعی، وجود برخی عوامل باعث می­شود که مسأله­ی مسیریابی وسایل نقلیه، یک مسأله­ی غیر قطعی باشد. یک نوع عدم قطعیت در این مسأله، وقوع تقاضایِ متغیرِ مشتریان می­باشد؛ یعنی میزان تقاضای برخی مشتریان، نامشخص است و تنها هنگامی که وسیله نقلیه به محل مشتری برسد، تقاضای او مشخص می­شود. در این مقاله، روشی بر اساس الگوریتم ژنتیکِ مقاوم برای حل مسأله مسیریابی وسایل نقلیه­ی حامل بار با تقاضای متغیر ارائه شده است. در این روش، سعی بر یافتن جواب­های مقاوم برای این مسأله است که در مواجه شدن با تغییرات، بهینگی خود را حفظ کنند. ارزیابی­های انجام شده و مقایسه نتایج، کارایی روش پیشنهادی را نشان داده است.

     

    واژه­های کلیدی: مسیریابی وسایل نقلیه، عدم قطعیت، تقاضای متغیر، الگوریتم ژنتیک مقاوم ، جواب­های پایدار.

     

     

    مقدمه

    در دهه­های اخیر، برآورده کردن نیازهای مشتریان که مهمترین جزء زنجیره تأمین می­باشند یکی از اهداف کلیدی مدیریت زنجیره تأمین به شمار می­رود. مسأله  مسیریابی وسایل­نقلیه (VRP)[1] مهم­ترین و پرهزینه­ترین بخش در لجستیک می­باشد. در مسأله  VRP، مجموعه­ای از وسایل­نقلیه وجود دارند که موظفند برای برآورده کردن تقاضاهای مشتریان، از انبار[2] به سمت آن­ها حرکت نمایند و پس از خدمت به تمامی مشتریان دوباره به انبار بازگردند. محدودیت­ها و مفروضاتی به این مسأله  اضافه شده است که منجر به پیدایش گونه­های متفاوت آن گردیده و کاربرد آن را در حوزه­های مختلف توسعه داده است.

    در مسائل کاربردی دنیای واقعی نیازهای متفاوتی وجود دارد که برآورده کردن هر چه بیشتر آن­ها باعث پیچیده­تر شدن مسأله  می­گردد؛ به­عبارت دیگر به­حساب آوردن محدودیت­های موجود، حاکی از افزایش قابل توجه پیچیدگی در مسأله  VRP است. در واقع وجود همین محدودیت­ها است که باعث می­شود VRP به یک مسأله  غیرقطعی و متغیر تبدیل شود؛ به بیانی دیگر تغییر اهداف، ماهیت مسأله  و یا عوامل دیگر در طول زمان، که همان عدم قطعیت­های موجود در پیرامون مسأله  می­باشند ممکن است باعث تغییر در بهینگی این مسائل گردد. چنانچه ما این عدم قطعیت­ها را در فرآیند بهینه­سازی لحاظ کنیم باعث می­شود که مسأله  به یک مسأله  پویا تبدیل شود. اکنون برای حل چنین مسائل پویایی نیاز به جواب­هایی احساس می­شود که در برخورد با شرایط عدم قطعیت مسأله ، بهینگی خود را از دست ندهند؛ به این جواب­ها عنوان «جواب­های پایدار»[3] داده می­شود. جواب­های پایدار در واقع آن دسته از جواب­هایی است که در بدترین شرایط مسأله  باز هم بتوانند عملکرد خوبی را از خود نشان دهند. به­جای عنوان «پایدار» ممکن است عناوینی همچون «استوار» و «مقاوم» نیز به­کار برده شود.

    در این پژوهش هدف ما ارائه­ی روشی برای حل VRP بر اساس الگوریتم ژنتیک (GA)[4] است که بتواند به جواب­های مقاومی برای این مسأله  دست یابد که در شرایط عدم قطعیت نیز بتواند همچنان بهینگی خود را حفظ نمایند.

    همان­طور که پیش­تر اشاره کردیم، اضافه شدن یکسری از محدودیت­ها باعث ایجاد انواع مختلف VRP می­گردد؛ در مطالعه­ی ما افزوده شدن عدم قطعیت به مسأله  به صورت «نامعلوم بودن تقاضای مشتریان»، سبب ایجاد VRP با تقاضای تصادفی (VRPSD)[5] گردیده است. به VRPSD، مسأله  مسیریابی وسایل­نقلیه احتمالی (PVRP)[6] نیز گفته می­شود.

    یکی از مهم­ترین عوامل ایجاد عدم قطعیت در VRP، عدم قطعیت در تقاضای مشتریان می­باشد که در این پژوهش نیز تمرکز ما بر روی عدم قطعیت مشتریان می­باشد. وقوع عدم قطعیت تقاضای مشتریان به این صورت است که میزان تقاضا نامشخص است تا هنگامی که وسیله نقلیه به محل مشتری برسد؛ چنانچه میزان تقاضا کمتر از بار موجود در وسیله نقلیه باشد مشتری سرویس می­گیرد و وسیله نقلیه برای خدمت، به مشتری بعدی می­رود. در غیر این­صورت برای مشتری کنونی یک هزینه منفی در نظر گرفته می­شود و وسیله نقلیه پس از رفتن به انبار و بارگیریِ مجدد به مشتریِ بعد از مشتری کنونی می­رود. تابع هدفِ روش پیشنهادی، علاوه بر هزینه­ی منفیِ ناشی از عدم سرویس به مشتریان، شامل هزینه­ی سفر بین مشتریان و همچنین انبار می­باشد.

    به منظور ارزیابی روش پیشنهادی، آن را با روش­های «الگوریتم ژنتیک»، «بهینه سازی ازدحام ذرات» و «بهینه سازی ازدحام ذرات ترکیبی» مورد مقایسه قرار دادیم. نتایج بدست آمده، کارایی روش پیشنهادی را نسبت به روش­های دیگر نشان می­دهد.

    ساختار این پایان­نامه به صورت زیر می­باشد:

    فصل اول مسأله مسیریابی وسایل نقلیه در زنجیره تأمین را شرح می­دهد. فصل دوم عدم قطعیت در مسائل و مدیریت آن به کمک الگوریتم ژنتیک را ارائه می­دهد، فصل سوم مروری بر مسأله مسیریابی وسایل نقلیه­ی غیرقطعی دارد. فصل چهارم و پنجم به ترتیب، روش پیشنهادی و ارزیابی روش پیشنهادی را بیان می­کنند و در نهایت در فصل ششم نتیجه­گیری و پیشنهادهای آینده ذکر می­شود.فصل اول 

    مسأله مسیریابی وسایل نقلیه در زنجیره تامین

    مقدمه

    در جهان صنعتی امروز که رقابتی تنگاتنگ میان شرکت­ها و تولیدکنندگان وجود دارد، تولید کالاهایی متنوع با کیفیت بالا مطابق خواسته­های مشتری و در عین حال، قیمت مناسب با توجه به توان خرید مشتری، تنها راه ماندن می­باشد و رقابت میان شرکت­ها در رقابت میان اجزای آنها است (ماکویی و افتخار، 1383). خواست مشتری بر کیفیت بالا و خدمت رسانی سریع، موجب افزایش فشارهایی شده است که قبلا وجود نداشته است. در نتیجه شرکت­ها بیش از این نمی­توانند به تنهایی از عهده تمامی کارها برآیند. فعالیت­هایی نظیر برنامه­ریزی عرضه و تقاضا، تهیه مواد، تولید، کنترل کیفیت، برنامه­ریزی محصول یا خدمت، نگهداری کالا و کنترل موجودی، بازاریابی، توزیع کالا و خدمات، تحویل و خدمت به مشتری که قبلا همگی در سطح شرکت انجام می­شد، اینک به سطح زنجیره تأمین انتقال یافته است. مسأله کلیدی در یک زنجیره تأمین، مدیریت و کنترل هماهنگ تمامی این فعالیت­ها است به­طوری که مشتریان بتوانند خدمت خود را با بالاترین سطح اطمینان، سرعت، کیفیت و هزینه مناسب دریافت کنند. فعالیت‌هاى حمل­و­­نقل، بخش نسبتا بزرگى از فعالیت‌هاى زنجیره تأمین را به خود اختصاص مى­دهد (بانک مقالات مدیریت بیمارستان، 1390؛ نوروزی، 1388). لجستیک و زنجیره تامین لفظی است که در چند سال اخیر در کشورمان و به ویژه این روزها تحت عنوان­هایی نظیر «مدیریت زنجیره تامین»، «لجستیک ناب» و «انجمن لجستیک و زنجیره تامین» بسیار شنیده می­شود (انجمن لجستیک ایران، 1392). در این فصل مطالبی راجع به «زنجیره تأمین» و همچنین نقش « مسأله مسیریابی وسایل نقلیه» در زنجیره تأمین ارائه می­شود.

    زنجیره تأمین (SC)[1]

    زنجیره تأمین شامل تمام فعالیت­هاى مرتبط با جریان و تبدیل کالاها از مرحله ماده خام (استخراج) تا تحویل به مصرف­کننده­ نهایى و نیز جریان­هاى اطلاعاتى مرتبط با آن­ها  می­باشد؛ این فعالیت­ها شامل منبع­یابی برای تأمین مواد اولیه، مدیریت سیستم­ها، مونتاژها، فروش و غیره می­باشد (نوروزی، 1388؛ ماکویی و افتخار، 1383).

     به ­عبارت دیگر یک زنجیره تأمین شامل دو یا چند سازمان است که از نظر قانونی از هم جدا بوده، اما به­وسیله­ی جریان­های مواد، اطلاعات و مالی به­هم مرتبط هستند.  این سازمان­ها می­توانند شرکت­هایی باشند که قطعات، اجزایِ تشکیل دهنده و محصولات نهایی، تولید می­کنند و حتی فراهم کنندگان خدمات تهیه و توزیع (لجستیک) و خود مشتری (نهایی) را نیز در بر گیرند (بانک مقالات مدیریت بیمارستان، 1390). در شکل (1-1) یک مدل زنجیره تأمین نشان داده شده است.

    مدیریت زنجیره تأمین (SCM)[2]

    مسأله کلیدی در یک زنجیره تأمین، مدیریت و کنترل هماهنگِ تمامی فعالیت­هایی نظیر توزیع، تحویل و خدمت به مشتری است. در SCM هدف این است که به گونه­ای جریان اطلاعات مالی و مواد با هم هماهنگ شوند که مشتریان بتوانند خدمت خود را با بالاترین سطح اطمینان، سرعت، کیفیت و هزینه مناسب دریافت کنند (بانک مقالات مدیریت بیمارستان، 1390؛ ماکویی و افتخار، 1383).

    هدف زنجیره تأمین

    هدف همه کسانی که در زنجیره تأمین فعالیت می­کنند، افزایش رقابت­پذیری است. دلیل آن این است که امروزه از دید مشتریِ نهایی، فقط یک واحد سازمانی به تنهایی، در مورد رقابت­پذیری محصولات یا خدماتش مسئول نیست. بنابراین رقابت از شرکت­های تکی به سمت زنجیره تأمین حرکت کرده است (بانک مقالات مدیریت بیمارستان، 1390).

    عوامل یا محرک های زنجیره تامین[3]

    در زنجیره تأمین چهار محرک اصلی، مطرح است (عبیری، غلامحسن، 1374) :

    تسهیلات[4]

    انبار[5]

    اطلاعات[6]

    حمل­و­نقل[7]

     

    تسهیلات

    تسهیلات، اشاره به تجهیزات و امکاناتی دارد که در اماکنی که محصول نگهداری (مثل فضای انبارش و انبارهای نگهداری کالا) و یا کالا تولید می­شود (مانند کارخانجاتی که مواد اولیه را گرفته­اند و روی آن­ها کارهایی انجام می­شود تا به محصول تبدیل شود) مورد استفاده قرار گرفته و به­کار می­روند (عبیری، غلامحسن، 1374).

    انبار

    نقش انبار در زنجیره تأمین، افزایش رضایتمندی تقاضا از طریق تضمین موجود بودن محصول است (عبیری، غلامحسن، 1374).

    اطلاعات

    در یک زنجیره تأمین، مراحل مختلفی از تأمین مواد اولیه، حمل، انبارداری و تولید گرفته تا توزیع و رساندن به مشتری، وجود دارد که این مراحل[8] مختلف از طریق «اطلاعات» به همدیگر مرتبط و هماهنگ می­شوند (عبیری، غلامحسن، 1374).

    حمل­و­نقل

    نقش حمل ونقل در زنجیره تأمین، انتقال محصول، چه مواد اولیه و چه محصول نیمه تمام و چه محصول تمام شده تا مرحله­ی توزیع و رساندن آن به دست مشتری می­باشد (عبیری، غلامحسن، 1374).

    در این کار پژوهشی، تمرکز ما بر روی حمل­و­نقل می­باشد؛ به­همین دلیل به توضیح بیشتر این مورد می­پردازیم.

    در رابطه با حمل­و­نقل مسائل زیادی مطرح است که یکی از آن­ها مسأله مسیریابی وسایل­نقلیه (VRP) می­باشد؛ در ادامه به شرح این مسأله می­پردازیم.

    مسأله مسیریابی وسایل­نقلیه

    مسأله فروشنده دوره­گرد (TSP)[9]  کوتاه­ترین مسیر را برای یک فروشنده دوره­گرد می­یابد به­طوری که از یک شهر شروع شود و سپس از تمامی سایر شهرها به یک ترتیب خاص عبور کند و سرانجام به شهر مقصد برگردد با این شرط که از هر کدام از شهرها فقط و فقط یک بار عبور کند. هدف این مسأله بهینه­سازی هزینه­ها می­باشد. مشخص است مسافتی که این فروشنده دوره­گرد می­پیماید بستگی به ترتیبی دارد که از شهرها عبور می­نماید. بنابراین هدف این مسأله ، یافتن یک ترتیب بهینه برای عبور از شهرها است، به گونه­ای که اهداف هزینه­ی در نظر گرفته شده، بهینه­سازی شود. با وجودی که درک این مسأله نیاز به مهارت­های ریاضی پیچیده ندارد و حتی بسیار ساده و قابل فهم است اما به عنوان یک « مسأله­ی بهینه­سازی ترکیبی سخت» از آن نام برده می شود چرا که حل آن بسیار دشوار است (رجبی و همکاران، 1389).

    اولین بار چنین مسأله­ای در سال 1759 از سوی اولر مطرح شد که در آن زمان با نام « مسأله مسیر شوالیه­ها» ارائه شد. یک «مسیر شوالیه» عبارت بود از یک دور هامیلتونی در گرافی که نودهای آن 64 مربع صفحه شطرنج بودند که هر کدام با دو راس دیگر مجاور بودند و شوالیه هر بار تنها به یک مربع مجاور می توانست حرکت کند (رجبی و همکاران، 1389).

  • فهرست پایان نامه مسیریابی حمل و نقل کالا در زنجیره تامین در شرایط عدم قطعیت با استفاده از الگوریتم ژنتیک

    فهرست:

    ندارد.
     

    منبع:

    افندی­زاده زرگری، شهریار. غفاری، احمدرضا. کلانتری، نوید. (1390الف). طراحی شبکه حمل­ونقل در شرایط تقاضای متغیر. ششمین کنگره ملی مهندسی عمران، سمنان، اردیبهشت1390، دانشگاه سمنان، ایران.

    . (1390ب). طراحی استوار شبکه حمل ونقل در شرایط تقاضای گزینه مبنا با استفاده از الگوریتم های ژنتیک و دسته مورچگان. پژوهشنامه حمل­ونقل، سال 8، شماره 4.

    . (1390ج). تخصیص تعادلی استوار در شرایط عدم قطعیت بیضوی تقاضا. یازدهمین کنفرانس بین­المللی مهندسی حمل­ونقل و ترافیک، تهران، ایران، اسفند1390، مرکز همایش­های برج میلاد.

    . (1390د). ارزیابی اثر عدم قطعیت جعبه­ای تقاضا در طراحی شبکه پیوسته و گسسته حمل­ونقل، با استفاده از الگوریتم­های ژنتیک و کلونی­مورچگان. مهندسی حمل­ونقل، سال2، شماره 3.

    انجمن لجستیک ایران. (1392). مفهوم مدیریت زنجیره تامین و لجستیک. بازیابی شده در 8/3/1392، از http://www.ilscs.ir

    بانک مقالات مدیریت بیمارستان. (1390). مدیریت زنجیره تامین و لجستیک. بازیابی شده در 12/3/1392، از http://hm-gn1.blogfa.com/post-59.aspx

    بی­­نیاز، فتح الله. (1386). عدم قطعیت. بازیابی شده در 6/4/1392، از http://www.firooze.ir

    تبریزی، شیما. (1392). برنامه ریزی تولید. بازیابی شده در 10/4/1392، از http://www.pnumie.org

    توکلی­مقدم، رضا. ربانی، مسعود. شریعت، محمدعلی. صفایی، نیما. (1385). حل مساله مسیریابی وسایل­نقلیه با پنجره­های زمانی نرم با استفاده از یک الگوریتم فراابتکاری تلفیقی. نشریه دانشکده فنی، شماره 4، جلد40، ص­ص. 469-476.

    خلیلی‌نیا، مهدی. (1390). الگوریتم ژنتیک. پایان نامه کارشناسی، دانشگاه آزاد اسلامی واحد خمین.

    رجبی، محمد رضا. منصوریان، علی. علیمحمدی، عباس. تشیع، بهنام. یوسفی­نژاد، مهدی. (1389). طراحی یک الگوریتم ژنتیک با عملگرهای Local Search برای حل مساله فروشنده دوره­گرد در کاربردهای مسیریابی GIS. مجموعه مقالات همایش ملی ژئوماتیک. سازمان نقشه برداری کشور، تهران، ایران، اردیبهشت 1389.

    شاه­حسینی، شهریار. موسوی میرکلائی، محمدرضا. ملاجعفری، مرتضی. (1391). الگوریتم­های تکاملی: مبانی، کاربردها، پیاده سازی. تهران: انتشارات دانشگاه علم و صنعت ایران.

    شرکت تجارت داده­ها. (2012). مدل زنجیره تامین. بازیابی شده در 7/2/1392، از http://www.iranopensolution.com

    عباسی­کیا، مصطفی. (1388). الگوریتم­های فرا اکتشافی جستجو (الگوریتم ژنتیک). بازیابی شده در 5/2/1392، از http://www.irpdf.com

    عبیری، غلامحسن. (1374). مدیریت ریسک و عدم اطمینان. تازه­های اقتصاد، شماره47، ص­ص.10-11. بازیابی شده در 14/3/1392، از http://www.noormags.com

    قصیری، کیوان. قنادپور، سید­فرید. (1386). مساله مسیریابی وسایل­نقلیه همراه با پنجره زمانی. قزوین: انتشارات دانشگاه آزاد اسلامی واحد قزوین.

    . (1387). مساله مسیریابی وسایل­نقلیه همراه با پنجره زمانی با استفاده از الگوریتم ژنتیک. ششمین کنفرانس بین المللی مهندسی صنایع، انجمن مهندسی صنایع ایران، تهران، ایران، بهمن تا اسفند 1387، دانشگاه صنعتی شریف.

    ماکویی، احمد. افتخار، مهیار. (1383).استراتژی­های عملیاتی کنترل عدم اطمینان در مدیریت زنجیره تامین. فصلنامه اطلاع رسانی، آموزشی و پژوهشی،شماره7 و 8، ص­ص.117-121. بازیابی شده در 1/3/1392، از http://www.noormags.com

    مرجع متخصصین ایران. (2010). عدم قطعیت. بازیابی شده در 2/4/1392، از http://www.irexpert.ir

    مساله فروشنده دوره­گرد. (2013). مساله­ی فروشنده دوره­گرد. بازیابی شده در 4/2/1392، از  http://wikipedia.org

    نوروزی، سروش. (1388). مدیریت زنجیره تامین. پایان نامه کارشناسی، دانشگاه جامع علمی و کاربردی واحد ابهر.

    Al-deek, H. & Emam B.E. (2006). New methodology for estimating reliability in transportation networks with degraded link capacities. Journal of Intelligent Transportation Systems, 10(3), pp. 117–129.

    Alfa, A. (1987). A heuristic algorithm for the travelling salesman problem with time-varying travel costs. Engineering Optimization+ A35, 12, pp. 325–338.

    Archetti, C. & Savelsbergh, M. & Speranza, M. (2006). Worst-case analysis for split delivery vehicle routing problems. Transportation Science, pp. 226–234.

    Asakura, Y. & Kashiwadani, M. (1991). Road network reliability caused by daily fluctuation of traffic flow. Proceedings of the 19th PTRC Summer Annual Meeting, Brighton.

    Benjamin, A. M. (2011). Metaheuristics the waste collection vehicle routing problrm with time windows. (Doctor of Philosophy), Brunel Univ. 

    Bertsimas, D. & Chervi, P. & Peterson, M. (1991). Computational approaches to stochastic vehicle routing problems. Sloan School of  Management, Massachusetts Institute of Technology.

    Bianchi, L. & Birattari, M. & Chiarandini, M. & Manfrin, M. & Mastro-lilli, M. & Paquete, L. & Rossi-Doria, O. & Schiavinotto, T. (2004). Metaheuristics for the vehicle routing problem with stochastic demands. In Parallel Problem Solving from Nature-PPSN VIII, pp. 450–460.

    Chen, A. & Yang, H. & Lo, H.K. & Tang, W.H. (2002). Capacity reliability of road network: an assessment methodology and numerical results. Transportation Research Part B, 36(3), pp. 225-252.

    Chen, Z. & Xu, H. (2006). Dynamic column generation for dynamic vehicle routing with time windows. Transportation Science, pp. 74–88.

    Dantzig, G. & Ramser, J.H. (1959). The truck dispatching problem. Management Science, 6, pp. 80–91.

    De Jong, K. A. (1975). Analysis of the behavior of a class of genetic adaptive systems.PH.D. Dissertation. University of Michigan, Ann Arbor.

    Desaulniers, G. & Desrosiers, J. & Erdmann, A., Solomon, M. & Soumis, F. (2002). Vrp with pickup and delivery. The vehicle routing problem, 9, pp. 225–242.

    Du, Z. P. & Nicholson, A. (1997). Degradable transportation systems: sensitivity and reliability analysis. Transportation Research Part B, 31, pp. 225–237.

    Dumas, Y. & Desrosiers, J. & Soumis, F. (1991). The pickup and delivery problem with time windows. European Journal of Operational Research, 54, pp. 7–22.

    Eksioglu, B. & Vural, A. V. & Reisman, A. (2009). The vehicle routing problem: A taxonomic review. Computers & Industrial Engineering, 57(4), pp. 1472-1483.

    Environment Agency. (2000). Climate Adaptation Risk and Uncertainty: Draft Decision Framework. Environment Agency Report no. 21, Jun.

    Fleischmann, B. & Gnutzmann, S. & Sandvos, E. (2004). Dynamic vehicle routing based on online traffic information. Transportation science, 38, pp. 420–433.

    Fukasawa, R. & Longo, H. & Lysgaard, J. & Aragao, M. & Reis, M. & Uchoa, E. & Werneck, R. (2006). Robust branch-and-cut-and-price for the capacitated vehicle routing problem. Mathematical programming, 106, pp. 491–511.

    Gang, C. (2010). A pso-ga method to solve a partial shipment and scheduling problem. In Computer Application and System Modeling (ICCASM), 2010 International Conference on, vol. 10, V10–330, IEEE.

    Gendreau, M. & Hertz, A. & Laporte, G. (1994). A tabu search heuristic for the vehicle routing problem. Management science, pp. 1276–1290.

    Goldberg, D. E. & Lingle, R. (1985). Alleles, loci, and the traveling salesman problem. In: Grefenstette  JJ (ed) Proceedings of an International Conference on Genetic Algorithms and Their Applications. Carnegie-Mellon University, pp. 154-159

    Goldberg, D. E. (1989). Genetic algorithms in search, optimization and machine learning. Reading, MA:Addison-Wesley.

    Haghani, A. & Jung, S. (2005). A dynamic vehicle routing problem with time-dependent travel times. Computers & operations research, 32, pp. 2959–2986

    Heydecker, B. & Lam, W. & Zhang, N. (2007). Use of travel demand satisfaction to assess road network reliability. Transportmetrica, 3(2), pp. 139-171.

    Huisman, D. & Freling, R. & Wagelmans, A. (2004). A robust solution approach to the dynamic vehicle scheduling problem. Transportation Science, 38, pp. 447–458.

    Irhamah, I. & Z. Ismail. (2009). A breeder genetic algorithm for vehicle routing problem with stochastic demands. J. Applied Sci. Res., 5, pp. 1998-2005.

    Ivanov, D. &  Sokolov, B. (2009). Adaptive Supply Chain Management, Springer.

    Jin, Y. & Branke, J. (2005). Evolutionary optimization in uncertain environments—A survey. IEEE Transactions on Evolutionary Computation, 9(3).

    Kang, K. & Lee, B. & Lee, Y. (2008). A heuristic for the vehicle routing problem with due times. Computers & Industrial Engineering, 54, pp. 421– 431.

    Laporte, G. (1992a). The traveling salesman problem: An overview of exact and approximate algorithms. European Journal of Operational Research, 59,pp.  231–247.

    . (1992b). The vehicle routing problem: An overview of exact and approximate algorithms. European Journal of Operational Research, 59, pp. 345– 358.

    Leblanc, L.J. (1975). An algorithm for the discrete network design problem. Transportation Science, 9, pp. 183-199.

    Lim, A. & Wang, F. (2005). Multi-depot vehicle routing problem: A one-stage approach. Automation Science and Engineering. IEEE Transactions on, 2, pp. 397–402.

    Lo, S.K. & Barbara, W.Y. (2008). Doubly uncertain transportation network: Degradable capacity and stochastic demand. European Journal of Operational Research, Vol. 191, pp. 168–181.

    MAFF. (2000). Flood and Coastal Defence Project Appraisal Guidance Notes: Approaches to Risk. FCDPAG4, Feb.

    Magnanti, T.L. & Wong, R.T. (1984). Network Design and Transportation Planning Models and Algorithms. Transportation Science, 18(1), pp. 1-55.

    Menger K. (1932). Das boten problem. Ergebnisse Eines Mathematischen Kolloquiums, 2, pp. 11–12.

    Mitrovic-Minic, S. (1998). Pickup and delivery problem with time windows: A survey. SFU CMPT TR, 12.

    Monahan G E. (2000). Management decision making: spreadsheet modeling, analysis, and application. Cambridge University Press, England.

    Mulvey, J.M. & Vanderbei, R.J. (1995). Robust Optimization of large-scale systems. Operation Research, 43(2), pp. 264-281.

    Noon, C. & Bean, J. (1991). A Lagrangian based approach for the asymmetric generalized traveling salesman problem. Operations Research, 39, pp. 623–632.

    NRC. (2000).National Research Council (US). Risk analysis and uncertainty in flood reduction studies. National Academic Press.

    Oliver, I. M., D. J . Smith & J. R. C. Holland. (1987). A study of permutation crossover operators on the traveling salesman problem. Genetic Algorithms and Their Applications: Proc. 2nd Int. Conf. on Genetic Algoritjms, Cambirdge, MA: Lawrence Erlbaum Associates, pp. 224-230.

    Paenke, I. & Branke, J. & Jin, Y. (2006). Efficient search for robust solutions by means of evolutionary algorithms and fitness approximation. IEEE Transaction on Evolutionary Computation, 10(4).

    Parragh, S. & Doerner, K. & Hartl, R. (2008). A survey on pickup and delivery problems. Journal für Betriebswirtschaft, 58, pp. 81–117.

    Poorzahedy, H. & Abulghasemi, F. (2005). Application of Ant System to network design problem. Transportation, 32, pp. 251–273.

    Poorzahedy, H. & Rouhani, O.M. (2007). Hybrid meta-heuristic algorithms for solving network design problem. European Journal of Operational Research, Vol. 182, No. 2, pp. 578-596.

    Raman, N. & Talbot, F. B. (1993). The job shop tardiness problem: A decomposition approach. Eur. J. Oper. Res., vol. 69, pp. 187–199.

    Ray, S. & Li, S. & Song, Y. (2005). Tailored supply chain decision making under price-sensitive stochastic demand and delivery uncertainty. Management Science, pp. 1873–1891.

    Regan, A. & Mahmassani, H. & Jaillet, P. (1996). Dynamic decision making for commercial fleet operations using real-time information. Transportation Research Record: Journal of the Transportation Research Board, 1537, pp. 91–97.

    Savelsbergh, M. & Sol, M. (1995). The general pickup and delivery problem. Transportation science, 29, pp. 17–29.

    Schueller, G.I. & Jensen, H.A. (2008). Computational methods in optimization considering uncertainties – An overview. Comput. Methods Appl. Mech. Engrg., 198, pp.  2–13.

    Shanmugam, G. & Ganesan, P. & Vanathi, D. P. T. (2011). Meta heuristic algorithms for vehicle routing problem with stochastic demands. Journal of Computer Science, 7(4), pp. 533-542.

    Solanki, R.S. & Gorti, J.K. & Southworth, F. (1998). Using decomposition in large-scale highway network design with quasi-optimization heuristic. Transportation Research-B, 32, pp. 127–140.

    Soyster, A.L.  (1973). Convex Programming with Set-Inclusive Constraints and Applications to Inexact Linear Programming. Operations Research,21, pp. 1154- 1157.

    Sumalee, A. & Watling, D.P. & Nakayama, S. (2006). Reliable network design problem: the case with uncertain demand and total travel time reliability. Transportation Research Record, 1964, pp. 81-90.

    Taillard, E. & Laporte, G. & Gendreau, M. (1996). Vehicle routing with multiple use of vehicles. Journal of the Operational research society, pp. 1065–1070.

    Thangiah, S. & Nygard, R. K. & Juell, P. (1991). GIDEON: A genetic algorithm system for vehicle routing problems with time windows. Proceedings of the Seventh IEEE Conference on Artificial Intelligence Applications, Miami, Florida, pp. 322–328.

    Tsutsui, S., & Ghosh, A. (1997). Genetic Algorithms with a Robust Solution Searching Scheme. IEEE Transaction on Evolutionary Computation, 1(3), 201-208.

    Ukkusuri, S. (2005). Accounting for uncertainty, robustness and online information in transportation networks. Ph.D. Dissertation. The University of Texas at Austin.

    Van Gelder, p. (1999). Statistical methods for the risk based design of civil structures. Delft University of Technology PHD Thesis.

    Wallingford, HR. (1997). Application of risk methods in flood and coastal defence: Scoping Study. HR Wallingford Report SR 483.

    Watling, D.P. & Clark, S.  (2005). Modeling network travel time reliability under stochastic demand. Transportation Research Part B.39, pp. 119-140.

    Wikipedia. (2013). Robust optimization. Retrieved Jun.26, 2013, from http://wikipediai/Robust optimization

    Xiang, Z. & Chu, C. & Chen, H. (2008). The study of a dynamic dial-a-ride problem under time-dependent and stochastic environments. European Journal of Operational Research, 185, pp. 534–551.

    Xiong, Y. & Schneider, J.B. (1995). Processing of constraints in transportation network design problem. Journal of Computing in Civil Engineering, 9(1).

    Yang, H. & Bell, M.G.H. (1998). Models and algorithms for road network design: A review and some new development. Transport Review, 18(3), pp. 257-278.

    Yang, J. & Jaillet, P. & Mahmassani, H. (2004). Real-time multivehicle truckload pickup and delivery problems. Transportation Science, 38, pp. 135–148.

    Yang, W. & Mathur, K. & Ballou, R. et al. (2000). Stochastic vehicle routing problem with restocking. Transportation Science, 34, pp. 99–112.

    Yin, S.M. & Madanat, X.Y. Lu. (2009). Robust improvement schemes for road networks under demand uncertainty. European Journal of Operational Research, 198, pp. 470-479.

    Yin, Y. & Lawphongpanich, S. (2007). A robust approach to continuous network designs with demand uncertainty. Transportation and Traffic Theory , Allsop, R.E., Bell, M.G.H., Heydecker, B.G. (Eds.), Elsevier, London, England,  pp. 110-126.

    Yin, Y. & Lou, Y. & Lawphongpanich, S. (2009). A robust approach to discrete network designs with demand uncertainty. 88nd Annual Meeting of the Transportation Research Board, Jan. Washington D.C.

    Zamani, R. & Lau, K. (2010). Embedding learning capability in lagrangean relaxation: An application to the travelling salesman problem. European Journal of Operational Research, 201, pp. 81–88.

    Zheng, Y. (2012). Supply Chain Management under availability & uncertainty constraints. (Doctor of Philosophy), Lille Nord-de-France Univ.

    Zidi, I. & Mesghouni, K. & Zidi, K. & Ghedira, K. (2010). A contribution to the modelling and the resolution of a multi-objective dial a ride problem. In Engineering Systems Management and Its Applications (ICESMA), 2010 Second International Conference on, IEEE, pp. 1–7.

  • ثبت سفارش
    عنوان محصول
    قیمت