بهینه سازی مسیریابی شبکه توزیع کالا با استفاده از سیستم حمل و نقل هوشمند

محورهای موضوعی : تحقیق در عملیات

حسن دانشور ¹ , صادق نیرومند ² , امید بویرحسنی ³ , عبداله هادی وینچه% ⁴

1 - گروه مهندسی صنایع، برنامه ریزی و مدیریت تولید، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
2 - گروه مهندسی صنایع، مرکز آموزش عالی فیروزآباد، دانشگاه صنعتی شیراز، شیراز، ایران
3 - گروه مهندسی صنایع، برنامه ریزی و مدیریت تولید، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
4 - گروه ریاضی، دانشکده علوم پایه، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران

تاریخ دریافت : 1400/09/13 تاریخ پذیرش : 1401/01/31 تاریخ انتشار : 1403/07/05

کلید واژه: الگوریتم خوشه بندی, سیستم حمل و نقل هوشمند, مسیریابی شبکه توزیع کالا, الگوریتم فراابتکاری,

چکیده مقاله :

با توجه به اینکه یافتن مسیر مناسب در ساعات روز و پرترافیک شهر با محدودیت های تردد ایجاد شده معضل بزرگی است که نه‌تنها باعث عملکرد غیر بهینه در شبکه‌های توزیع می‌شود بلکه خسارات جبران‌ناپذیر زیست‌محیطی نیز به جامعه وارد می‌کند، این پژوهش توجه خود را به بهبود مسیریابی شبکه توزیع کالا با استفاده از سیستم حمل و نقل هوشمند معطوف نموده است؛ در همین راستا پس از مدل سازی مسئله در قالب توسعه مسئله مسیریابی وسایل نقلیه با در نظر گرفتن محدودیت تردد و پنجره زمانی و NP-hard بودن آن، با استفاده از ترکیب الگوریتم های فراابتکاری ژنتیک و بهینه سازی ازدحام ذرات مسئله حل و مسیر بهینه و تعداد وسایل نقلیه مورد نیاز جهت ارسال کالا مشخص می شود. بر همین اساس ابتدا مکان مشتریان با استفاده از الگوریتم خوشه بندی دسته بندی و زیر خوشه هایی باتوجه به پنجره زمانی تحویل ایجاد می‌شود، سپس یک واسط کاربری، مبدا و مقصد ارائه شده توسط کاربر را به عنوان وروردی دریافت می کند، این واسط با ارتباط با نقشه گوگل مسیرهای موجود بین مبدا و مقصد را دریافت می کند. مسیرهای پیشنهادی با استفاده از الگوریتم های پیشنهادی ایجاد و با استفاده از پروتکل های مسیریابی شبکه ادهاک خودرو اتفاقات مسیرها مانند ترافیک اعلام و درصورت نیاز وسیله نقلیه از مسیر جایگزین تردد می‌کند. روش پیشنهادی از نظر کمینه کردن مسافت و تعداد وسایل نقلیه نتایج بهتری نسبت به جواب‌های بهینه داشته است.

چکیده انگلیسی:

Considering that finding a suitable route in daylight hours and busy city with traffic restrictions is a big problem that not only causes non-optimal performance in distribution networks, in this regard, after modeling the problem in the form of vehicle routing development VRP) and considering the traffic and time window constraints and its NP-hard, using genetic metaheuristic algorithms (GA) and particle swarm optimization (PSO) to solve the problem and the optimal route and the number of vehicles required to send The product is specified. Customers' locations are first created using the clustering algorithm, location-based clusters, and sub-clusters according to the delivery time window, then a user interface receives the origin and destination provided by the user as input, this interface with Google Map Connection Receives directions between source and destination. Proposed routes are created using the proposed algorithms and using VANET network routing protocols, route events such as traffic are announced and, if necessary, the vehicle travels from the alternative route. The proposed method has better results than the optimal answers in terms of minimizing distance and number of vehicles.

منابع و مأخذ:

[1] Dehbari, S., and Pourrosta, A., and Naderi Bani, M., and Ghobadian, A., and Tavakoli Moghadam, R. (1391). Multi-purpose transport routing with potential service time and fuzzy demand under time window constraints. Operations Research in Its Applications (Applied Mathematics), 9(4 (35 consecutive)), 85-106.
https://www.sid.ir/fa/journal/ViewPaper.aspx?id=189175(Persian)

[2] Khademi Zare, Hassan, Taqwa, & Lotfi. (2018). The problem of routing multi-seat vehicles and multi-product with fuzzy time window, multiple goals and flexibility in determining the seat. International Journal of Industrial Engineering and Production Management, 28 (4), 559-571. (Persian)

[3] Rahimi Amir Massoud, Rajabi Tawarat, Vahid (2015). Provide a hybrid algorithm to solve the vehicle routing problem with the simultaneous receipt and delivery of goods. Amirkabir Scientific Research Journal. Civil and Environmental Engineering. 385 to 375, Page 1395, Winter 4, No. 48 Volume. (Persian)

[4] Jafari, Azizaleh, Tavakoli Moghadam, Reza, Forghani, Mohsen, Arab, Rahmat. (1395). Mathematical modeling for the problem of routing vehicles with reverse transport and solving it with multiple ant colony algorithm. Production and Operations Management, 7 (1), 215-234. doi: 10.22108 / jpom.2016.20920(Persian)

[5] Hosseini, S., and Hassani, A. (1397). Modeling and solving the problem of vehicle routing (VRP) in the supply chain distribution sector, taking into account traffic restrictions (technical note). Industrial Engineering and Management (Sharif Special Engineering Sciences), 34-1 (1/1), 147-155.
https://www.sid.ir/fa/journal/ViewPaper.aspx?id=484626(Persian)

[6] Mehdizadeh, Ismail, & Mirkhanzadeh. (2016). Optimal routing in the milkshake logistics problem with time constraints and incompatible demand. International Journal of Industrial Engineering and Production Management, 26 (4), 455-471. (Persian)

[7] Ebadati Mehdi. (1392). Presenting an Algorithm for Integrated Location-Routing Problem (Comparison with Other Repetitive and Hierarchical Methods) Master Thesis. (Persian)

[8] Mahjoubnia, Meysam, Dabiri, Noureddin, Bozorgi Amiri, Ali. (1396). Introducing a new model of location-routing-green inventory under uncertainty. Journal of Industrial Engineering Research in Production Systems, 5 (10), 99-115. doi: 1022084 / ier.2017.9761.1467(Persian)

[9] Eidi, Alireza, Alavi, Seyed Hadi. (1394). Periodic reversing of vehicles in reverse logistics with eligible customers. Scientific Journal of Supply Chain Management, 17 (49), 84-93. (Persian)

[10] Nadizadeh Ardakani Ali. (. 2014) Government - Ministry of Science, Research, and Technology - Yazd University - Faculty of Engineering. 1393. PhD Development of a model for the problem of locating-routing vehicles in the supply chain in a dynamic state with an uncertainty approach

[11] Hosseini, Seyed Mohammad Hassan, Khalaji Aliaei, Soheila. (1394). Mathematical modeling of the location-routing problem taking into account the capacity, diversity and limitations of transportation and development of a solution model based on the ant colony algorithm. Journal of Industrial Engineering Research in Production Systems, 3 (5), 91-105.

[12] Brown, M. (2020). Smart Transport. In Smart Cities in Application (pp. 69-83). Springer, Cham.

[13] Chang, Y. C., & Lee, C. Y. (2004). Machine scheduling with job delivery coordination. European Journal of Operational Research, 158(2), 470-487.

[14] Altiparmak, F., Gen, M., Lin, L., & Paksoy, T. (2006). A genetic algorithm approach for multi-objective optimization of supply chain networks. Computers & industrial engineering, 51(1), 196-215.

[15] Saeedi Mehrabad, M., Aazami, A., & Goli, A. (2017). A location-allocation model in the multi-level supply chain with multi-objective evolutionary approach. Journal of Industrial and Systems Engineering, 10(3), 140-160.

[16] Bank, M., Mazdeh, M., & Heydari, M. (2020). Applying meta-heuristic algorithms for an integrated production-distribution problem in a two level supply chain. Uncertain Supply Chain Management, 8(1), 77-92.

[17] Djatna, T., & Amien, G. (2020). Bi-objective freight scheduling optimization in an integrated forward/reverse logistic network using non-dominated sorting genetic algorithm-II. Decision Science Letters, 9(1), 91-106.

[18] Parkhi, S., Jagadeesh, D., & Kumar, R. A. (2014). A study on transport cost optimization in retail distribution. Journal of Supply Chain Management Systems, 3(4), 31-38.

[19] Tseng, Y. Y., Yue, W. L., & Taylor, M. A. (2005, October). The role of transportation in logistics chain. Eastern Asia Society for Transportation Studies

[20] Hiassat, A., Diabat, A., & Rahwan, I. (2017). A genetic algorithm approach for location-inventory-routing problem with perishable products. Journal of manufacturing systems, 42, 93-103.

[21] Rohmer, S. U. K., Claassen, G. D. H., & Laporte, G. (2019). A two-echelon inventory routing problem for perishable products. Computers & Operations Research, 107, 156-172.

[22] Azad, N., Aazami, A., Papi, A., & Jabbarzadeh, A. (2019, July). A two-phase genetic algorithm for incorporating environmental considerations with production, inventory and routing decisions in supply chain networks. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (pp. 41-42).

[23] Manavizadeh, N., Shaabani, M., & Aghamohamadi, S. (2019). Designing a green location routing inventory problem considering transportation risks and time window: a case study. Journal of Industrial and Systems Engineering, 0-0.

[24] Fazayeli, S., Eydi, A., & Kamalabadi, I. N. (2018). Location-routing problem in multimodal transportation network with time windows and fuzzy demands: Presenting a two-part genetic algorithm. Computers & Industrial Engineering, 119, 233-246.

[25] Rahimi, M., Baboli, A., & Rekik, Y. (2017). Multi-objective inventory routing problem: A stochastic model to consider profit, service level and green criteria. Transportation Research Part E: Logistics and Transportation Review, 101, 59-83.

[26] Nikfarjam, A., & Moosavi, A. (2020). An integrated (1, T) inventory policy and vehicle routing problem under uncertainty: an accelerated Benders decomposition algorithm. Transportation Letters, 1-22.

[27] Saragih, N. I., Bahagia, N., & Syabri, I. (2019). A heuristic method for location-inventory-routing problem in a three-echelon supply chain system. Computers & Industrial Engineering, 127, 875-886.

[28] Tavakkoli-Moghaddam, R., Forouzanfar, F., & Ebrahimnejad, S. (2013). Incorporating location, routing, and inventory decisions in a bi-objective supply chain design problem with risk-pooling. Journal of Industrial Engineering International, 9(1), 19.

[29] Zhu, L., & Hu, D. (2019). Study on the vehicle routing problem considering congestion and emission factors. International Journal of Production Research, 57(19), 6115-6129.

[30] Chen, D., Zhang, X., Gao, D., Gao, K., Wen, M., & Huang, Z. (2020, October). Logistics Distribution Path Planning Based on Fireworks Differential Algorithm. In 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 2797-2802).

[31] Gómez-Montoya, R. A., Cano, J. A., Cortés, P., & Salazar, F. (2020). A Discrete Particle Swarm Optimization to Solve the Put-Away Routing Problem in Distribution Centres. Computation, 8(4), 99.

[32] Qin, G. Y., Tao, F. M., & Li, L. X. (2019, December). A Green Vehicle Routing Optimization Model with Adaptive Vehicle Speed Under Soft Time Window. In 2019 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM) (pp. 1-5). IEEE.

[33] Bouk, S. H., Ahmed, S. H., Kim, D., & Song, H. (2017). Named-data-networking-based ITS for smart cities. IEEE Communications Magazine, 55(1), 105-111.

[34] Menouar, H., Guvenc, I., Akkaya, K., Uluagac, A. S., Kadri, A., & Tuncer, A. (2017). UAV-enabled intelligent transportation systems for the smart city: Applications and challenges. IEEE Communications Magazine, 55(3), 22-28.

[35] Gohar, M., Muzammal, M., & Rahman, A. U. (2018). SMART TSS: Defining transportation system behavior using big data analytics in smart cities. Sustainable cities and society, 41, 114-119.

[36] Abbas, M. T., Jibran, M. A., Afaq, M., & Song, W. C. (2019). An adaptive approach to vehicle trajectory prediction using multimodel Kalman filter. Transactions on Emerging Telecommunications Technologies, e3734.

[37] Al-qutwani, M., & Wang, X. (2019). Smart Traffic Lights over Vehicular Named Data Networking. Information, 10(3), 83.

[38] Swarnamugi, M., & Chinnaiyan, R. (2020). Context—Aware Smart Reliable Service Model for Intelligent Transportation System Based on Ontology. In Proceedings of ICRIC 2019 (pp. 23-30). Springer, Cham.

[39] Lee, W. H., & Chiu, C. Y. (2020). Design and Implementation of a Smart Traffic Signal Control System for Smart City Applications. Sensors, 20(2), 508.

[40] Skabardonis, A. (2020). Traffic management strategies for urban networks: smart city mobility technologies. In Transportation, Land Use, and Environmental Planning (pp. 207-216). Elsevier.

[41] Liu, L., Gao, C., Mao, J., Lu, W., & Chen, Y. (2020). The Theoretical Concept and Method System of Traffic Congestion Control of Urban Road Network with Intelligent Transportation Systems. In ICTE 2019 (pp. 190-198). Reston, VA: American Society of Civil Engineers.

[42] Rahimi S, Jamali MA. A hybrid geographic-DTN routing protocol based on fuzzy logic in vehicular ad hoc networks. Peer-to-Peer Networking and Applications. 2018:1-4.

[43] Raw RS, Kadam A. Performance Analysis of DTN Routing Protocol for Vehicular Sensor Networks. InNext-Generation Networks 2018 (pp. 229-238). Springer, Singapore.

[44] DE ANDRADE, Gil Eduardo, et al. Message routing in vehicular delay-tolerant networks based on human behavior. In: Communication Systems, Networks and Digital Signal Processing (CSNDSP), 2016 10th International Symposium on. IEEE, 2016. p. 1-6.‏

[45] Mehra, R., & Dudeja, R. (2020). SECURE OLSR ROUTING PROTOCOL BASED ON HASH CHAIN FOR EFFICIENT CLUSTERING IN VANET. Journal of Natural Remedies, 21(2), 113-120.

[46] Oyakhire, O., & Gyoda, K. (2020, July). Improved OLSR considering node density and residual energy of nodes in dense networks. In 2020 35th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC) (pp. 161-165). IEEE.

[47] Jain, R., & Kashyap, I. (2020). Energy-Based Improved MPR Selection in OLSR Routing Protocol. In Data Management, Analytics and Innovation (pp. 583-599). Springer, Singapore.

[48] Oyakhire, O., & Gyoda, K. (2020). Improved Proactive Routing Protocol Considering Node Density Using Game Theory in Dense Networks. Future Internet, 12(3), 47.

[49] Apolin, S. K., Veniston, B., & Krishnaraj, N. (2020). EFFICIENT ROUTING IN VANETS USING TABU SEARCH (TS) ALGORITHM. Journal of Critical Reviews, 7(13), 989-994.

[50] Zhang, G., Wu, M., Duan, W., & Huang, X. (2018). Genetic algorithm based QoS perception routing protocol for VANETs. Wireless Communications and Mobile Computing, 2018.

[51] Muniyandi, R. C., Qamar, F., & Jasim, A. N. (2020). Genetic Optimized Location Aided Routing Protocol for VANET Based on Rectangular Estimation of Position. Applied Sciences, 10(17), 5759.

[52] Chahal, M., & Harit, S. (2019). Optimal path for data dissemination in Vehicular Ad Hoc Networks using meta-heuristic. Computers & Electrical Engineering, 76, 40-55.

[53] Gupta, D., & Kumar, R. (2014, September). An improved genetic based routing protocol for VANETs. In 2014 5th International Conference-Confluence The Next Generation Information Technology Summit (Confluence) (pp. 347-353). IEEE.

[54] Kasana, R., & Kumar, S. (2017, February). A geographic routing algorithm based on Cat Swarm Optimization for vehicular ad-hoc networks. In 2017 4th International Conference on Signal Processing and Integrated Networks (SPIN) (pp. 86-90). IEEE.

[55] Ye, M., Guan, L., & Quddus, M. (2020). TDMP_Reliable Target Driven and Mobility Prediction based Routing Protocol in Complex Vehicular Ad hoc Network. arXiv preprint arXiv:2009.01302.

[56] Wille, E. C., Del Monego, H. I., Coutinho, B. V., & Basilio, G. G. (2016). Routing Protocols for VANETs: An Approach based on Genetic Algorithms. KSII Transactions on Internet & Information Systems, 10(2).

[57] Okulewicz, M., & Mańdziuk, J. (2017). The impact of particular components of the PSO-based algorithm solving the Dynamic Vehicle Routing Problem. Applied Soft Computing, 58, 586-604.

[58] Kohl, N., Desrosiers, J., Madsen, O. B., Solomon, M. M., & Soumis, F. (1999). 2-path cuts for the vehicle routing problem with time windows. Transportation Science, 33(1), 101-116.

[59] Homberger, J. (2000). Eine verteilt-parallele Metaheuristik. In Verteilt-parallele Metaheuristiken zur Tourenplanung (pp. 139-165). Deutscher Universitätsverlag, Wiesbaden.

[60] Rochat, Y., & Taillard, É. D. (1995). Probabilistic diversification and intensification in local search for vehicle routing. Journal of heuristics, 1(1), 147-167.

[61] Taillard, É., Badeau, P., Gendreau, M., Guertin, F., & Potvin, J. Y. (1997). A tabu search heuristic for the vehicle routing problem with soft time windows. Transportation science, 31(2), 170-186.

[62] Goel, R., Maini, R., & Bansal, S. (2019). Vehicle routing problem with time windows having stochastic customers demands and stochastic service times: Modelling and solution. Journal of Computational Science, 34, 1-10.

[63] Jernheden, E., Lindström, C., Persson, R., Wedenmark, M., Erős, E., Roselli, S. F., & Åkesson, K. (2020, August). Comparison of Exact and Approximate methods for the Vehicle Routing Problem with Time Windows. In 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE) (pp. 378-383). IEEE.

[64] Ganesh, C. S., Sivakumar, R., & Rajkumar, N. (2021). Hybrid Swarm Intelligence Algorithm for Solving Vehicle Routing Problem with Time Windows. Annals of the Romanian Society for C

[65] Mehdi, N., Abdelmoutalib, M., & Imad, H. (2021). A modified ALNS algorithm for vehicle routing problems with time windows. In Journal of Physics: Conference Series (Vol. 1743, No. 1, p. 012029). IOP Publishing.

متن کامل:



بهینه سازی مسیریابی شبکه توزیع کالا با استفاده از سیستم حمل و نقل هوشمند

 

چکیده

با توجه به اینکه یافتن مسیر مناسب در ساعات روز و پرترافیک شهر با محدودیت های تردد ایجاد شده معضل بزرگی است که نه‌تنها باعث عملکرد غیر بهینه در شبکه­های توزیع می­شود بلکه خسارات جبران‌ناپذیر زیست‌محیطی نیز به جامعه وارد می­کند، این پژوهش توجه خود را به بهبود مسیریابی شبکه توزیع کالا با استفاده از سیستم حمل و نقل هوشمند معطوف نموده است؛ در همین راستا پس از مدل سازی مسئله در قالب توسعه مسئله مسیریابی وسایل نقلیه با در نظر گرفتن محدودیت تردد و پنجره زمانی و NP-hard بودن آن، با استفاده از ترکیب الگوریتم های فراابتکاری ژنتیک و بهینه سازی ازدحام ذرات  مسئله حل و مسیر بهینه و تعداد وسایل نقلیه مورد نیاز جهت ارسال کالا مشخص می شود. بر همین اساس ابتدا مکان مشتریان با استفاده از الگوریتم خوشه بندی دسته بندی و زیر خوشه هایی باتوجه به پنجره زمانی تحویل ایجاد می­شود، سپس یک واسط کاربری، مبدا و مقصد ارائه شده توسط کاربر را به عنوان وروردی دریافت می کند، این واسط با ارتباط با نقشه گوگل مسیرهای موجود بین مبدا و مقصد را دریافت می کند. مسیرهای پیشنهادی با استفاده از الگوریتم های پیشنهادی ایجاد و با استفاده از پروتکل های مسیریابی شبکه ادهاک خودرو اتفاقات مسیرها مانند ترافیک اعلام و درصورت نیاز وسیله نقلیه از مسیر جایگزین تردد می­کند. روش پیشنهادی از نظر کمینه کردن مسافت و تعداد وسایل نقلیه نتایج بهتری نسبت به جواب­های بهینه داشته است.  

کلمات کلیدی: مسیریابی شبکه توزیع کالا، سیستم حمل و نقل هوشمند، الگوریتم فراابتکاری، الگوریتم خوشه بندی.

Abstract

Considering that finding a suitable route in daylight hours and busy city with traffic restrictions is a big problem that not only causes non-optimal performance in distribution networks, in this regard, after modeling the problem in the form of vehicle routing development VRP and considering the traffic and time window constraints and its NP-hard, using genetic metaheuristic algorithms and particle swarm optimization to solve the problem and the optimal route and the number of vehicles required to send the product is specified. Customers' locations are first created using the clustering algorithm, location-based clusters, and sub-clusters according to the delivery time window, then a user interface receives the origin and destination provided by the user as input, this interface with Google Map connection receives directions between source and destination. Proposed routes are created using the proposed algorithms and using VANET network routing protocols, route events such as traffic are announced and, if necessary, the vehicle travels from the alternative route. The proposed method has better results than the optimal answers in terms of minimizing distance and number of vehicles. 

Keywords: Goods distribution network routing, Intelligent transportation system, Meta-heuristic algorithm, Clustering algorithm.

 

 

 

 

 

 

1- مقدمه

      حمل و نقل در سیستم های اقتصادی، تولیدی و خدماتی از جایگاه مهمی برخوردار است و بخش قابل توجهی از سهم تولید ناخالص ملی هر کشوری را به خود اختصاص می دهد. از طرفی توزیع فیزیکی محصولات یکی از کلیدی ترین فعالیت های شرکت های تولیدی در زمینه حمل و نقل می باشد، زیرا به طور متوسط 20% قیمت تمام شده محصولات صرف توزیع فیزیکی آنها می شود؛ لذا بهبود سیستم توزیع فیزیکی کالا، علاوه بر کاهش هزینه، موجب ارتقا بهره وری نیز خواهد شد این در حالی است که توزیع فیزیکی کالا بر خلاف سایر فعالیت ها، پیشرفت فناوری ممکن است باعث بهبود آن گردد ولی هرگز نمی تواند جایگزینی برای آن باشد به همین دلیل بهبود آن ضروری می باشد. یکی از روش های بهبود سیستم توزیع فیزیکی، بهینه سازی مسیریابی شبکه توزیع کالا می­باشد.

مساله مسیریابی وسیله نقلیه¹(VRP) از دو نگاه برای محققین حائز اهمیت است:1) مساله مطرح شده مساله ای کاربردی است و توفیق در دستیابی به جواب های بهتر سبب صرفه جویی اقتصادی می گردد و 2) حل مساله به خاطر NP-Hard بودن، مساله ای چالش برانگیز است. مساله مسیریابی وسایل نقلیه یک نام عمومی برای تمامی مسائلی است که در آن باید مجموعه ای از مسیرها برای جریانی از وسایل نقلیه که مستقر در یک یا چند دپو می باشند تعیین گردد تا مجموعه ای از مشتریان که در نقاط مختلف شهر پراکنده شده اند، خدمت دهند که این خدمت رسانی می تواند با ظرفیت محدود وسایل نقلیه همراه باشد[1]. به طور کلی مسئله مسیریابی وسایل نقلیه، یعنی تعیین مسیرحمل کالا از حداقل یک مبدا به چند مقصد، به گونه­ای که وسایل نقلیه در مجموع کمترین مسیر را در کمترین زمان ممکن طی کنند[2]. همچنین در مساله مسیریابی وسایل نقلیه فرض بر این است که هرکدام از وسایل نقلیه از دپو شروع به حرکت می کنند و بایستی به همان دپو بازگردند.

مسئله مسیریابی وسایل نقلیه یا  VRPنامی کلی است که به تمامی کلاس مسائلی که شامل ملاقات مشتری ها با وسیله نقلیه است، اطلاق می شود. VRP در مقالات، تحت عنوان زمان بندی وسیله نقلیه، توزیع وسیله نقلیه یا به بیان ساده تر به صورت مسأله تحویل نیز بیان شده است. با گذشت زمان انواع مسأله مسیریابی با محدودیت هایی که بیشتر در عالم واقعی کاربرد داشت، به وجود آمده است[3-4]. 

مسئله مسیریابی وسایل نقلیه با پنجره زمانی تعمیم یافته ای از مسئله مسیریابی وسایل نقلیه با محدودیت ظرفیت است که در آن سرویس به هر مشتری باید در یک بازه زمانی معین (این بازه زمانی به پنجره زمانی معروف است) صورت گیرد. این مسئله با توجه به اهمیت بالایی که به بحث زمان در حل مساله می دهد در عمل از کاربرد بیشتری برخوردار بوده و لذا توجه بیشتری را در محافل علمی به خود اختصاص داده است[1]. مسئله مسیریابی وسایل نقلیه یکی از مهم ترین مسائل مدیریت زنجیره تامین است. این اهمیت از آنجا ناشی می شود که تخصیص مطلوب وسایل نقلیه به مسیرهای مختلف، تاثیر بسیار زیادی برکاهش هزینه ها دارد[5]. در تحقیق جاضر، این مسئله با در نظر گرفتن شرایط دنیای واقعی از جمله ظرفیت و تنوع وسایل حمل و همچنین محدودیت تردد برخی وسایل در بعضی از مسیرها که بیانگر شرایط کاربردی آن می باشد مورد بررسی قرار می گیرد. پس از تشریح مسئله و تعریف متغیرها و پارامترهای آن، مدل ریاضی این مسئله با در نظر گرفتن پنجره زمانی توسعه داده می شود.

اهداف عمده این مدل تخصیص مطلوب وسایل نقلیه به مسیرهای مختلف با توجه به محدودیت تردد- بر اساس ظرفیت وسایل حمل- و همچنین تحویل کالا به مشتریان در بازه زمانی مد نظر آنها جهت کمینه کردن مسیر طی شده و تعداد وسایل نقلیه مورد نیاز جهت سرویس دهی می باشد که با تحقق این امر، علاوه بر دستیابی به اهداف کلی مسئله VRP که همان تحویل کالا به مشتریان در کوتاهترین زمان، از طریق بهترین مسیر و با کمترین تعداد وسایل نقلیه و کمترین هزینه ارسال می باشد؛ سطح رضایت مشتریان نیز افزایش یافته و زیان های ناشی از دست دادن مشتریان کاهش خواهد یافت.

باتوجه به مطالعات پیشین، مدل­ سازی های ریاضی را با الگوریتم های کامپیوتری نظیر داده کاوی و فراابتکاری جهت یافتن مسیرهای بهینه ادغام می­کنند. حمل و نقل هوشمند² یک قطعه حیاتی از شهر هوشمند³ برای مسیریابی لجستیک است. اهمیت حمل و نقل هوشمند در ایمنی، تحرک و تأثیرات زیست محیطی در شهر هوشمند برای زنجیره تامین و لجستیک کارا و مفید است. این کار برخی از برنامه های کاربردی و فناوری های مهمی را تشکیل می دهد که یک سیستم حمل و نقل هوشمند را در کنار فعالیت های استاندارد سازی و مسائل مربوط به این منطقه تشکیل می دهد[13]. باتوجه به اینکه حمل و نقل از اساسی ترین نیازهای بشر، همواره به عنوان شاخصی مطرح در هر جامعه، ‌مورد توجه ویژه قرار گرفته است، فناوری اطلاعات و ارتباطات بعنوان ابزاری کارآمد، موجبات تسهیل و تسریع ارائه خدمات را فراهم نموده است. مهندسین حمل و نقل نیز سعی بر آن داشته‌اند تا از فناوری اطلاعات بهره‌ جسته‌ و مشکلات آنرا به حداقل ممکن کاهش دهند. یکی از این فناوری ها، سیستم حمل و نقل هوشمند⁴(ITS) است که در واقع سیستم حمل و نقل مبتنی بر اینترنت اشیا⁵(IoT) بوده و برای ارائه خدمات سریع، ایمن و قابل اعتماد به کاربر، هوشمندتر شده است. وسایل نقلیه می­توانند با استفاده از ابزارهای سیستم حمل و نقل هوشمند نظیر: شبکه های سیار بین خودرویی⁶(VANET) از قرار گرفتن در یک موقعیت خاص در مسیرها نظیر ترافیک و خرابی جاده ها اجتناب نموده و مسیر جایگزین مناسب­تری را انتخاب نمایند. باتوجه به اینکه مسئله VRP از لحاظ پیچیدگی محاسباتی جز مسائل NP-Hard محسوب می­شود نیاز به محاسبات زیادی دارد. باتوجه به مسئله فوق و اهمیت کاهش مسیر و پنجره زمانی ما از الکوریتم خوشه بندی، ابزارهای ITS(سنسورهای GoogleMap، شبکه vanet ) و الگوریتم های فراابتکاری برای حل مدل پیشنهادی استفاده می کنیم. برای این کار ابتدا از الکوریتم خوشه بندی برای خوشه بندی مکان مشتریان و سپس ایجاد زیر خوشه ها براساس  پنجره زمانی استفاده می کنیم، در مرحله بعد با استفاده از سنسورهای GoogleMap مسیرهای اولیه مشخص شده و در اختیار شبکه VANET قرار داده می­شوند. از آنجایی که VANET، مسیرهای بهینه را را انتخاب نمی کند از الگوریتم­های فراابتکاری جهت یافتن مسیر بهینه متناسب با اهداف مدل استفاده می­شود[14-15-16-17-18-19]. بنابراین ترکیب الگوریتم های فراابتکاری و ابزارهای سیستم حمل و نقل هوشمند برای حل مسئله مسیریابی می تواند منجر به بهینه سازی مسیریابی شبکه توزیع کالا گردد. از این رو تحقیق و مطالعه در این حوزه برای صنعت لجستیک از اهمیت بالایی برخوردار است. همچنین با توجه به اینکه در نظر گرفتن محدودیت ها بیانگر شرایط کاربردی مسئله می باشد، لذا توسعه مدل های ارائه شده با در نظر گرفتن محدودیت ها در راستای نزدیکتر کردن مسئله با شرایط دنیای واقعی و کاربردی ضروری به نظر می رسد. باتوجه به تحقیقات انجام شده، توسعه مدل سازی مسئله مسیریابی وسایل حمل ونقل با در نظر گرفتن پنجره زمانی و محدودیت تردد و همچنین حل آن با استفاده از الگوریتم خوشه بندی، ابزارهای سیستم حمل و نقل هوشمند(GoogleMap و شبکه Vanet)والگوریتم های فراابتکاریPSO GA-، نوآوری این پژوهش محسوب می شوند. باتوجه به مطالب فوق هدف اصلی این مقاله بهینه سازی مسیریابی شبکه توزیع کالا و وسایل نقلیه با استفاده از ترکیب الگوریتم های فراابتکاری و ITS می­باشد.

سازماندهی این مقاله به این صورت است: بخش2 به مروری بر سوابق مرتبط در این حوزه می­پردازد، بخش3 به معرفی روش تحقیق، بخش4 نتیجه و ارزیابی روش تحقیق و در نهایت بخش 5 به نتیجه­گیری و بحث می­پردازد.

 

2- پیشینه نظری

باتوجه به پیشینه پژوهش مطالعات بسیاری برای مسیریابی و بهبود آن انجام شده همچنین تحقیقاتی نیز مبنی بر سیستم حمل و نقل هوشمند انجام شده است که هرکدام به صورت جداگانه نتایجی را ارائه کرده­اند که موجب بهبود مسیریابی شده است که در جدول 1 قابل مشاهده است. باتوجه به تحقیقات انجام شده، توسعه مدل سازی مسئله VRP با در نظر گرفتن پنجره زمانی و محدودیت تردد و همچنین حل آن با استفاده از الگوریتم خوشه بندی، ابزارهای سیستم حمل و نقل هوشمند(GoogleMap و شبکهVanet)والگوریتم های فراابتکاریPSO GA- ، نوآوری این پژوهش محسوب می شوند.

 

---

[1]  Vehicle routing problem(VPR)

[2]  Intelligent Transportation(IT)

[3]   Smart city

[4]  Intelligent transportation system(ITS)

[5]  Internet of Things(IOT)

 

[6]  vehicular ad hoc networks (VANET)

جدول1: مقایسه پیشینه تحقیق با مطالعه حاضر

روش حل	مطالعه موردی	سیستم حمل و نقل هوشمند		مسیریابی با استفاده از مدل سازی ریاضی				مرجع
		شبکه Vanet	سنسور ITS	محدودیت تردد	تابع هدف		پنجره زمانی
					چند هدف	تک هدف
فراابتکاری+GAتاگوچی	حمل کالا				×			مهدی زاده [6]
فراابتکاری کلونی مورچه	حمل کالا					×		عبادتی [7]
فراابتکاریGA	محصولات قابل فساد					×		هیاسات [20]
فراابتکاری جستجوی محلی	محصولات قابل فساد					×		روح مهر [21]
فراابتکاریGA	حمل کالا					×		آزاد [22]
فراابتکاریMOGWO	حمل کالا				×		×	معنوی [23]
فراابتکاری NSGA_II MOPSO، SPEA-II	حمل کالا				×		×	محجوب نیا [8]
فراابتکاریGA	حمل کالا				×		×	فاضلی [24]
مدل ریاضی	حمل کالا				×			رحیمی [25]
مدل برنامه‌ریزی غیرخطی	حمل کالا				×			عیدی [9]
برنامه نویسی ریاضی و یک الگوریتم ژنتیک	حمل کالا				×			نیک فرجام [26]
فراابتکاریSA	مواد غذایی				×			ساراگیه [27]
مدل ریاضی	حمل کالا				×			توکلی مقدم [28]
برنامه ریزی فازی و فرابتکاری	حمل کالا			×	×			نادی زاده [10]
فراابتکاریGAوPSO	حمل کالا					×		ژو  [29]
فراابتکاری افتراقی آتش بازی	حمل کالا		×			×		چن [30]
فراابتکاریPSO	حمل کالا					×		گومز [31]
فراابتکاریGA	حمل کالا				×		×	کین [32]
فراابتکاری ACO	حمل کالا			×		×		حسینی [5]
فراابتکاری ACO	حمل کالا			×		×		حسینی [11]
بررسی فناوری ITS			×					حسین بوک [33]
بررسی قابلیت پهباد برای ITS			×					منور [34]
ذخیره سازی داخلی و تجزیه و تحلیل داخلی برای داده های ITS			×					جوهر [35]
فیلتر کالمن تمدید شده مبتنی بر چند مدل برای پیش بینی مکان آینده خودرو			×					عباس [36]
مسئله تراکم ترافیک و همچنین کاهش زمان انتظار وسایل نقلیه در تقاطع جاده ها			×					آل کاتوان [37]
پرداختن به چالش داده های حسگر با الگویی آگاه از زمینه			×					سوارنامیوگی [38]
طرح جدید سیگنال راهنمایی و رانندگی به طور خاص برای سناریوی EVSP			×					لی [39]
ارزیابی سیستم حمل و نقل و فناوری های نوظهور			×					اسکابارادونیز [40]
کنترل ازدحام ترافیک شبکه جاده شهری با سیستم حمل و نقل هوشمند			×					لیو [41]
منطق فازی و رویکرد حمل و نقل DTN		×						رحیمی [42]
عملکرد دو پروتکل مسیریابی، MaxProp و مسیریابی بسته گرا (POR)		×						را  [43]
مدل ریاضی پروتکل HBR		×						دی آندراد [44]
فناوریHashChainو پروتکل مسیریابی OLSR		×						مهراآر [45]
بهبود پروتکل مسیریابی OLSR		×						اویاخیر [46]
بهبود پروتکل مسیریابی OLSR		×						جاین [47]
تئوری بازی بر پروتکل مسیریابی OLSR		×						اویاخیر [48]
پروتکل مسیریابی و الگوریتم فراابتکاری تابو		×						آپولین [49]
الگوریتمGA مبتنی بر پروتکل مسیریابی GABR		×						ژانگ [50]
پروتکل پیشنهادی RALAR با استفاده از الگوریتم GA		×						مونیاندی [51]
بهینه سازی ازدحام ذرات گسسته DPSO		×						چاهال [52]
پروتکل LEACHو PSO		×						علمداری [12]
پروتکل مسیریابی و الگوریتمGA		×						گوپتا [53]
پروتکل مسیریابی جغرافیایی GR		×						کاسانا [54]
یک پروتکل مسیریابی TDMP		×						یی [55]
پروتکل شبکه ژنتیکG-net		×						ویلی [56]
پروتکلDVRPو الگوریتم 2MPSO		×						اکلویز [57]
استفاده ازخوشه بندی، GoogleMap و پروتکل مسیریابیVANET  به همراه الگوریتم فراابتکاریGA-PSO	حمل کالا	×	×	×	×		×	مطالعه حاضر

 

 

 

3- روش پیشنهادی

این پژوهش به بهینه سازی مسیریابی شبکه توزیع کالا با استفاده از ITS و در سه فاز اصلی مدل سازی، حل مدل و ارزیابی ارائه می شود. باتوجه به اینکه مسئله مسیریابی Np-hard می باشد و هرچه تعداد متغییرها بیشتر شود زمان حل با استفاده از مدل سازی ریاضی به صورت تصاعدی افزایش پیدا می کند و همچنین مسیرهای بهینه را ارائه نمی کند برای حل مدل ریاضی از روش فراابتکاری در کنار ITS استفاده شده است که شامل مراحل زیر است:

1) مدل سازی مسئله با استفاده از برنامه ریزی خطی عدد صحیح و در قالب یک مسئله VRP با در نظر گرفتن محدودیت تردد و پنجره زمانی.

2) حل مدل در سه گام: گام اول: با استفاده از الگوریتم خوشه بندی مشتریان بر اساس مکان خوشه بندی، سپس زیرخوشه هایی باتوجه به پنجره زمانی تحویل ایجاد می شود. گام دوم: یک واسط کاربری، مبدا و مقصد ارائه شده توسط کاربر را به عنوان وروردی دریافت می کند، این واسط با ارتباط با Google Map مسیرهای موجود بین مبدا و مقصد را دریافت می کند. مسیرهای موجود به عنوان ورودی مرحله بعد هستند که با استفاده از پروتکل های مسیریابی شبکه  VANET اتفاقات مسیرها را اعلام و در نهایت مسیرهای ممکن به عنوان ورودی الگوریتم فراابتکاری  GA-PSOتعیین می شوند. گام سوم: بکارگیری الگوریتم های فراابتکاریGA-PSO جهت بهینه سازی و تعیین جواب (مسیر) های نهایی.

 3)ارزیابی روش پیشنهادی. در نهایت روش پیشنهادی با بکارگیری ابزارهای برنامه نویسی پایتون پیاده سازی و ارزیابی خواهد شد. فلوچارت روش پیشنهادی در شکل2 نشان داده شده است.

 

 

 

شکل1. فلوچارت روش پیشنهادی

 

 

 

فاز اول) تعریف مسئله و مدل سازی ریاضی

مبحث مهم در سیستم‌های حمل‌ونقل و لجستیکی مسئله مسیریابی وسایل نقلیه می‌باشد که در آن هدف، تعیین مسیرهای بهینه برای تعدادی وسیله حمل ونقل مستقر در مرکز توزیع است که باید به مجموعه‌ای از مشتریان که هر یک دارای تقاضای معینی دارند، مراجعه نموده و خدمتی ارائه دهند که مسأله مسیریابی را عنوان می­کند. راه حل پیشنهادی مجموعه ای از مسیرهای حاوی یک صف مرتب شده از مشتریان است که در آن یک وسیله نقلیه از انبار خارج می­شود، به ترتیب از این مشتریان بازدید می­کند و به انبار برمی گردد. هدف از الگوریتم طراحی شده به حداقل رساندن مسافت کلی سفر و وسایل نقلیه با درنظر گرفتن پنجره زمانی و همچنین کمینه کردن هزینه ارسال است. مدل ریاضی به شرح زیر است:

مسئله مسیریابی شبکه توزیع مورد بررسی شامل یک ناوگان از وسایل نقلیه با ظرفیت مشخص، یک مرکز توزیع (انبار)، چند مرکز تقاضا(خرده فروش) و مسیرهایی بین مرکز توزیع تا مراکز تقاضا می باشد. هر وسیله نقلیه برای تامین تقاضا از یک گره مشترک به نام انبار شروع به حرکت می کند و ضمن مراجعه به محل های تقاضا، تقاضاها را تامین و مجددا به انبار باز می گردد. در تعریف کلاسیک این مسئله: 1. هر وسیله نقلیه از مرکز توزیع شروع به حرکت می کند و در نهایت باید به مرکز بازگردد 2. هر مرکز تقاضا فقط از یک وسیله نقلیه توزیع کننده خدمت دریافت می کند 3. تقاضای هر مرکز کمتر از ظرفیت وسیله نقلیه است. 4. هیچ کدام از وسایل نقلیه بیشتر از ظرفیت Q بارگذاری نمی شوند.5. هر مرکز تقاضا دارای پنجره زمانی مشخص برای دریافت خدمت بوده و هر وسیله نقلیه باید در این بازه شروع به خدمت کند.6. حداکثر مسافتی که وسیله نقلیه می تواند طی نماید مشخص شده و بیش از آن مجاز نیست. هدف اصلی این پژوهش، کمینه سازی کل مسافت سفر به وسیله هدایت وسایل نقلیه به مسیرهای بهینه می باشد. در این پژوهش علاوه بر فرض ها و خصوصیات عمومی مسئله مسیریابی، وسایل حمل و نقل نیز بصورت مختلف و متنوع در نظر گرفته شده اند و برای تردد وسایل نقلیه نیز محدودیت هایی لحاظ می شود بطوریکه برخی از وسایل حمل امکان تردد در بعضی از مسیرها را ندارند. مثلا در برخی مسیرها امکان تردد وسایل حمل سنگین وجود ندارد و فقط مسایل حمل و نقل سبک امکان تردد دارند.

در این تحقیق به منظور ارائه مدل VRP از گراف G(V,A) استفاده شده است که در آن V=(0,1,2.3,…,n) مجموع گره ها و  A={(u,v)/u,vمجموعه کمان های موجود درآن است. در این مسئله هر یک از گره های u – به غیر از گره 0 که نشان دهنده گره انبار مرکزی است- یک مرکز تقاضا را نشان  می­دهد که دارای تقاضای  است. همچنین به هر کمان موجود در A فاصله   متناظر شده است که به عنوان مسافت بین مشتریان u و v درنظر گرفته می­شود. از طرفی ناوگانی از k نوع وسیله نقلیه متفاوت در مبدا قرار دارد بطوریکه هر وسیله نقلیه دارای ظرفیت بار  می باشد و  مجموعه وسایل نقلیه i هستند که بدلیل محدودیت تردد، امکان تردد بین دو گره u , v ندارند. همچنین هر گره با مقدار تقاضای ، زمان سرویس  و یک پنجره زمان [،] همراه است. هر کمان () با زمان سفر  بین گره های   مرتبط است. اگر وسیله نقلیه زودتر از  به مشتری برسد، می تواند تا  برای خدمات به مشتری صبر کند و یا خدمات خود را ارائه کند اگر وسیله نقلیه بعد از  برسد، نمی تواند به  سرویس دهی کند. هزینه متغیر برای وسیله نقلیه از u به v با استفاده از c نشان داده می شود که کمان های بین گره های () به عنوان هزینه آن مسیر درنظر گرفته می شود. همچنین برای هزینه ثابت هر وسیله نقلیه با یک ارزش ثابت برای کامیون ها و یک ارزش ثابت کمتر از کامیو­ن­ها برای وانت بارها با  نشان داده می شود، متغیر θ نیز هزینه ثابت بکارگیری تجهیزات Vanet می باشد.

 

MinD=

 Min(C(x)= + θ     1)                  

       (2)                                              

=1 (                                         (3)

1 (      (4)

  (                                       (5)

  (                                       (6)

  (                                      (7)

                     (8)

 

(u                                                  (9)

 

(u                                                 (10)

   (11)                  

    (  (12)

 

معادله (1) تابع هدف مسئله است که به حداقل رساندن کل مسافت سفر D است، تعداد وسایل حمل و نقل  و هزینه سفر Min(c) و زمان است. معادله (2) متغیر تصمیم­گیری است. معادله (3) نشان دهنده خروج هر وسیله نقلیه از انبار و در آخر بازگشت به محل عزیمت است. معادله (4) محدودیت­های حفظ جریان یک گره است. معادله (5) و (6) اطمینان حاصل می­کند که هر مشتری دقیقاً یکبار فقط با یک وسیله نقلیه سرویس می­یابد. معادله (7) نشان می دهد که کل خواسته­های مشتریانی که توسط یک وسیله نقلیه خدمت می­کنند نمی تواند بیش از ظرفیت آن باشد. معادله (8) محدودیت تردد وسایل نقلیه در برخی از مسیرها را تضمین می کند. معادله (9) و (10) محدودیت پنجره زمان را تعریف می­کند ، جایی که tu زمانی است که وسیله نقلیه k به مشتری u می­رسد. M یک ثابت بزرگ است. معادله (11) شرایط باینری را به متغیر تصمیم تحمیل می کند. درنهایت معادله(12)باتوجه به معادله(9و10) برای محدودیت زمانی را برای هزینه تعریف می­کند.

فاز دوم:  حل مدل

با توجه به NP-hard بودن مسئله VRP، با استفاده از ترکیب الگوریتم های فراابتکاری GA-PSO مسئله حل و مسیر بهینه جهت ارسال کالا مشخص می شود. برای ایجاد جمعیت اولیه از یک روش کنترل شده استفاده می شود تا از ایجاد جمعیت های تصادفی که درصد بسیار ناچیزی از آنها ممکن است مسیری را تشکیل دهند جلوگیری گردد. این روش در سه گام به شرح زیر انجام خواهد شد:

گام اول: خوشه بندی

در این گام، با بکارگیری یکی از الگوریتم های خوشه بندی به نام الگوریتم خوشه بندی k-means، مشتری ها براساس مکان خوشه بندی می­شوند و تمامی مشتریانی که در یک منطقه خاص هستند در یک خوشه قرار می­گیرند. تعداد خوشه­ها براساس تعداد منطقه ها به عنوان k مشخص می­شود. پس از آن هر خوشه به زیرخوشه های دیگر براساس محدودیت زمانی تقسیم می­شوند بدین صورت که مشتریان موجود در یک خوشه براساس اولویت زمان تحویل کالا به زیرخوشه ها تقسیم می­شوند.

 

گام دوم: تعیین جمعیت (مسیرهای) اولیه با استفاده از ابزارهای سیستم حمل و نقل هوشمند

الف) ایجاد رابط کاربری

اکثر سیستم­های مسیریاب خودرو از داده­های نقشه محلی استفاده می­کنند و فقط می­توانند تقاضای مشتری و اطلاعات حمل و نقل را کنترل کنند. در این بخش یک رابط کاربری¹ یا API ایجاد می شود که مبدا و مقصد را دریافت می کند و با استفاده از فناوری Google Map به نقشه های مسیر دسترسی و مسیرهای موجود برای مبدا و مقصد را استخراج می کند و در اختیار مرحله بعدی قرار می­دهد.

 

ب)مسیریابی اولیه با استفاده از پروتکل های مسیریابی شبکه Vanet

مسئله مسیریابی خودرویی که در سیستم ما در نظر گرفته شده است، مقیاس بزرگ مسیریابی پنجره زمانی است. این نوع مشکلات چندین ویژگی دارد: (1) پنجره زمانی مشتری سخت بنظر می­رسد، چراکه وسیله نقلیه زودرس باید منتظر بماند تا باز شدن مشتری و ورود دیر هنگام رد می­شود. (2) خواسته مشتری اطلاعات بلادرنگ است، به این معنی که هنگام شروع روند مسیریابی، کلیه اطلاعات خواسته مشتری توسط برنامه­ریز شناخته نمی شود و قبل از شروع مسیریابی اطلاعات مشتریان وارد سیستم می­شود. (3) زمان سفر یا سرعت بین مشتری و انبار بسته به زمان عزیمت می­تواند نوسان داشته باشد. (4) تقاضای مشتری بسیار زیاد است.

در طول دوره برنامه ریزی و انتخاب مسیر، اگر تقاضای زمان واقعی یا اطلاعات ترافیک تغییر کند، سیستم با استفاده از پروتکل های مسیریابی، مسیرهای خودرو را به طور خودکار باید تنظیم کند به همین دلیل از پروتکل مسیریابی OLSR (پروتکل مبتنی بر توپولوژی) و GPSR (پروتکل مبتنی بر موقعیت)استفاده می­شود. این پروتکل ها، پروتكل مسيريابي بوده كه در شبكه هاي سيار موردي خودرو VANET استفاده می­شود و جز بهترين پروتكل های مبتنی بر توپولوژی و موقعیت هستند[45]. با استفاده از پروتکل های مسیریابی شبکه  VANET اتفاقات مسیرهای انتخاب شده توسط Google Map را بررسی و در نهایت مسیرهای ممکن به عنوان جمعیت اولیه الگوریتم فراابتکاری  GA-PSO تعیین می شوند. در صورتی که وضعیت های ترافیکی تغییر کند، شبکه VANET به عنوان بخش پویای مدل، وضعیت های ترافیکی جدید را بررسی و اطلاعات جدید را جهت بررسی مجدد مسیر به الگوریتم فراابتکاری ارسال می کند.

 

گام سوم: بهینه سازی مسیریابی با استفاده از الگوریتم فرا ابتکاریGA-PSO 

 طی چند سال گذشته، روش­های جدیدی برای حل مشکلات بهینه سازی ترکیبی با پیشرفت­های اخیر در تکنیک­های یادگیری ابداع شده است که به آنها بهینه سازی ترکیبی می گویند. با تطبیق پارامترها در پروتکل­های مسیریابی، این روش می تواند بار محاسباتی را از مرحله توسعه راه حل مبتنی بر برنامه ریزی آنلاین و پروتکل به مرحله آفلاین منتقل کند. در نتیجه، فرایند تصمیم گیری می­تواند به سرعت تسریع شود، که در آن کیفیت راه­حل­ها به شدت وابسته به معماری الگوریتم­های فراابتکاری انتخابی است. طیف گسترده­ای از مشکلات تحقیقاتی از روش­های فراابتکاری برای حل مشکلات یکپارچه توزیع استفاده می­کند. هدف از این روش­ها دستیابی به یک راه حل تقریباً بهینه برای یک مشکل معین است. استفاده گسترده از الگوریتم های GA همراه با استفاده از دیگر روش های فراابتکاری مختلف برای چنین مشکلاتی راه­حلی مرسوم است، که در این تحقیق از از الگوریتم PSO برای فرار از بهینه محلی در GA استفاده شده است. 

با توجه به اینکه هدف اصلی این پژوهش، کمینه کردن کل مسیر سفر به وسیله هدایت وسایل نقلیه به جای استفاده از مسیرهای طولانی است، لذا از هر دو توانایی جستجوي فراگیر (الگوریتم GA) و محلی (الگوریتم PSO) و همچنین مسیریابی شبکه VANET براي دستیابی به بهترین جواب ممکن با کارایی بهتر به طور هم زمان استفاده خواهد شد. پس از ارائه بهترین مسیر به کاربر، مسیر در پایگاه داده/دیتابیس ذخیره و در مسیریابی های آتی مورد استفاده قرار می­گیرد.

در این بخش تمامی مسیرهای رفت وسایل حمل و نقل با میانگین زمان، به همراه روز، تاریخ و زمان ارسال، ذخیره می­شود. پس از جمع آوری موارد فوق تا زمانی که برای هر خرده فروش/مشتری حداقل 10 رکورد ثبت شده باشد، عملیات انتخاب بهترین مسیر برای هر مشتری/خرده فروش براساس روز و ساعت حرکت انجام می­شود و به عنوان یک راه حل برای تشکیل جمعیت(الگوریتمGA-PSO) نشان داده می­شود.  

فاز سوم: ارزیابی مدل و پیاده سازی

پیاده سازی باتوجه به محدودیت های تردد در تعداد کم، متوسط ​​و زیاد انجام می شود که با استفاده از زبان برنامه نویسی پایتون اجرا شده است. در این مساله هدف اولیه ی این است که با تعداد وسیله نقلیه های کمتری به همه ی مشتریان سرویس دهی شود، و هدف بعدی میزان کل مسافت طی شده را کمینه کنیم. بنابراین جهت ارزیابی الگوریتم های مختلف می بایست این دو پارامتر مد نظر قرار گرفته شود.

1.       کمینه سازی تعداد وسایل نقلیه استفاده شده

2.       کمینه سازی کل مسیرها(مسافت کل پیموده شده توسط وسایل نقلیه)

برای گرفتن نتایج اجرای الگوریتم از سیستمی با سیستم عامل ویندوز 10، پردازنده ی مرکزیI Core 5-10 با میزان حافظه ی اصلی8 گیگابایت استفاده شده است.

 

4- مجموعه داده

در این پژوهش جهت اجرا و ارزیابی الگوریتم های پیاده سازی شده، از مجموعه داده های Solomon استفاده شده است. این مجموعه داده ها در سال 1984 جهت مساله ی VRPTW ارایه شده اند. در این مجموعه داده­ها جهت بررسی و هایلایت کردن تاثیرات مختلف بر روی کارایی الگوریتم بر روی پارامترهای مختلفی کار شده است. این فاکتورهای به گونه ای طراحی شده اند که بر روی رفتار زمان بندی و مسیریابی الگوریتم تاثیر می گذارند. فاکتورهای موثر جهت تاثیرگذاری شامل موارد زیر می باشد:

·       چیدمان جغرافیایی مشتریان

·       درصد قیدهای زمانی مشتریان

·       تعداد مشتریانی که توسط یک وسیله نقلیه سرویس داده می شود

این مجموعه داده به دسته هایی تقسیم بندی می شود. این مجموعه ها R، C و RC نامیده می شوند. در مجموعه های R داده ها از نظر مکانی به صورت تصادفی تولید شده اند. در مجموعه های C داده ها از نظر مکانی دسته بندی شده اند. در مجموعه های RC نیز داده ها به صورت تصادفی و دسته بندی شده به صورت همزمان قرار گرفته اند. مشخصات مجموعه داده Solomon در جدول(1) نشان داده شده است.

 

 

---

[1]  Application Programming Interface(API)

 

جدول(1) مشخصات مجموعه داده Solomon

مجموعه داده	تعداد مشتریان	نام در نتایج
C101	25	C101_25
	50	C101_50
	100	C101_100
R101	25	R101_25
	50	R101_50
	100	R101_100
RC101	25	RC101_25
	50	RC101_50
	100	RC101_100

 

 

5- نتایج عددی

در ابتدا مدل ریاضی پیشنهادی را با مجموعه C101-10 اجرا شده که نتایج در جدول(2) نشان داده شده است. باتوجه به نتایج درمی یابیم که مدل ریاضی به تنهایی نمی­تواند جواب های بهینه را برای مسیریابی ارائه دهد همانطور که قبلا عنوان شده این امر موجب افزایش زمان و ارائه مسیرهای غیر بهینه می شود که برای جبران این موضوع از الگوریتم های فراابتکاری استفاد شده است.

 

جدول(2) مقایسه نتایج مسیریابی با مدل ریاضی و الگوریتم ژنتیک 

 

به منظور اجرای الگوریتم­های GA-PSO می بایست پارامترهای آن تنظیم شوند. در جدول(3) پارامترهای تنظیم شده برای الگوریتم های فوق آورده شده است. شایان ذکر است جهت رسیدن به تنظیمات بهینه ی پارامترها مقادیر مختلفی آزمایش شده است و این مقادیر از بین آن ها انتخاب شده است.

 

 

 

 

روش	نتایج	زمان اجرا(S)
مدل ریاضی C101-25	370	395
الگوریتم فرابتکاری ژنتیک C101-25	363	180

 

 

 

 

 

 

 

جدول(3) پارامترهای تنظیم شده برای الگوریتم های GA-PSO

الگوریتم GA		الگوریتم PSO
تعداد جمعیت	100	تعداد ذرات	100
تعداد تکرار الگوریتم	1000	تعداد تکرار الگوریتم	1000
نرخ تقاطع	0.95	سرعت ذرات	2
نرخ جهش	0.02	سرعت جمعی	2
نوع انتخاب نسل بعد	جایگزینی فرزندها به صورت کامل + بهترین جواب	محدوده ی سرعت	1.5

 

یکی از ایده های مطرح در این پژوهش استفاده از الگوریتم خوشه بندی در ورودی الگوریتم ها می باشد. به گونه ای که ابتدا الگوریتم خوشه بندی k-means را بر روی داده ها اجرا کرده و سپس مشتریانی که در نزدیکی هم قرار دارند در یک خوشه قرار می گیرند. سپس مشتریان خوشه بندی شده براساس بازه زمانی سرویس دهی به زیرخوشه هایی تقسیم شوند بنابراین پس از انجام خوشه بندی، الگوریتم­های فوق بر روی داده های خوشه بندی شده اجرا می­شوند.

جهت ارزیابی ایده خوشه بندی مطرح شده در این پژوهش ابتدا مجموعه داده ها را براساس موقعیت مکانی با استفاده از الگوریتم خوشه بندی k-means خوشه بندی می­شوند. برای انتخاب تعداد K یا خوشه ها، k=[2,3,…,10] تست شد که بهترین جواب مربوط به K=5 بود که در این پژوهش داده های مجموعه داده به 5 خوشه تقسیم بندی می شوند. سپس خوشه ها، باتوجه به بازه زمانی مشتریان جهت سرویس دهی به 2زیرخوشه (k=2) تقسیم می­شوند.

همچنین از شبکه Vanet برای استفاده از اطلاعات مربوط به اطلاعات حرکت وسایل نقلیه(به عنوان مثال، موقعیت، جهت، سرعت و نقشه برداری دیجیتال از جاده ها) برای پیش بینی یک رویداد احتمالی قطع اتصال قبل از وقوع آن استدلال می شود. باتوجه به اینکه با استفاده از الگوریتم های فراابتکاری و خوشه بندی توانستیم مسیریابی برای سرویس دهی به مشتریان و تعداد وسایل نقلیه مورد استفاده را بهینه سازی کنیم، در اینجا از دو پروتکل Vanet جهت استفاده از اطلاعات مسیر استفاده می­شود که نتایج در شکل(2 و 3) نشان داده شده است.

 

 

شکل (2) مقایسه ی الگوریتم با خوشه بندی مجموعه داده و استفاده از پروتکل OLSR- مسافت طی شده توسط وسایل نقلیه

 

استفاده از پروتکل OLSR برای روش پیشنهادی مناسب نبوده چراکه باعث شده مسافت بیشتری نسبت به حالت عادی طی شود که این امر منجر به افزایش مسافت و همچنین افزایش هزینه می شود.

 

 

شکل (3) مقایسه ی الگوریتم با خوشه بندی مجموعه داده و استفاده از پروتکل GPSR- مسافت طی شده توسط وسایل نقلیه

 

باتوجه به نتایج فوق استفاده از پروتکل GPSR در جهت مسیریابی باعث بهبود نتایج ترکیب الگوریتم های فراابتکاری می­شود، اگرچه این بهبود مسافت کم می­باشد. براین اساس پروتکل های مبتنی بر موقعیت در ترکیب با الگوریتم های فراابتکاری عملکرد بهتری را نسبت به پروتکل های مبتنی بر توپولوژی دارند. تمامی مسیرهای انتخاب شده در این مرحله در دیتابیسی ذخیره می­شود که برای مسیریابی های آتی از آن استفاده شود.

در شکل های (4) تعداد وسایل نقلیه مورد نیاز جهت سرویس دهی نشان داده شده است.

 

 

شکل (4) مقایسه ی الگوریتم GA-PSO بدون خوشه بندی و در حالت خوشه بندی و استفاده- تعداد وسایل نقلیه

 

در شکل(5) مقایسه­ای از نتایج الگوریتم های پیشنهادی به همراه خوشه بندی و بدون آنها، برای تعداد وسایل نقلیه مورد نیاز با نتایج بهینه مجموعه داده موجود در کوهل، هومبرگر و همکاران، روچت و همکاران و تایلرد و همکاران [58-59-60-61]نشان داده شده است.

 

 

شکل(5) تعداد وسایل نقلیه مورد استفاده

 

 

شکل(6) مقایسه­ای از نتایج الگوریتم های پیشنهادی به همراه خوشه بندی و پروتکل Vanet و بدون آنها با نتایج بهینه مجموعه داده 

 

باتوجه به نتایج شکل(5) در بیشتر مجموعه داده ها جواب بهینه با جواب نهایی روش پیشنهادی مشابه است و در برخی مجموعه ها مانند R101-50 و R101-100 حتی تعداد وسایل نقلیه مورد استفاده کمتر از مقدار بهینه مجموعه داده است. با این حال روش پیشنهادی این تحقیق توانسته به جواب های بهینه ای در مورد وسایل نقلیه مورد استفاده برای سرویس دهی به مشتریان برسد.

در شکل(6) استفاده از خوشه بندی برای مجموعه داده ها باعث شد که مسافت طی شده روش پیشنهادی نسبت به جواب های بهینه مجموعه داده Solomon جز مجموعه داده R101-50 کاهش پیدا کرده است. همچنین استفاده از Vanet برای مسیریابی و ارسال اطلاعات مربوط به جاده بسیار کارآمد بوده که مسافت طی شده را نسبت به جواب های بهینه جهانی کاهش داده است و جای امیدواری است که در پژوهش های کاربردی آتی از این مورد برای مسیریابی لجستیک استفاده شود.

باتوجه به اینکه یکی دیگر از اهداف این پژوهش بهینه کردن هزینه ارسال است، نتایج هزینه ارسال برای روش پیشنهادی با Vanet و بدون آن، نتایج اولیه Solomon و برای مقایسه با نتایج مقاله[65] در جدول(4) ارائه شده است.

 

 

جدول(4) مقایسه نتایج تابع هزینه با نتایج Solomon و نتایج مقاله [65]

مجموعه داده	نتایج روش پیشنهادی با Vanet	نتایج روش پیشنهادی بدون Vanet	نتایج اولیه Solomon	نتایج مقاله [65]
R101	1644.58	1643.25	1747.12	1645.79
C101	824.64	823.21	929.21	828.94
RC101	1696.73	1695.01	1793.01	1701.21

 

 

از جدول فوق می توان مشاهده کرده که روش پیشنهادی بدون ونت نسبت به نتایج اولیه Solomon و مقاله[65]، نتایج بهتر را نشان می دهد. همچنین نتایج روش پیشنهادی با ونت نیز نسبت به سایر نتایج بهبود داشته و تفاوت کمی در مقایسه با هزینه روش پیشنهادی بدون ونت دارد که با توجه به موارد ترافیک یا محدودیت جاده ای، وسیله نقلیه مجبور به تغییر مسیر شده که این امر در برخی مسیرها موجب افزایش هزینه و در برخی مسیرهای دیگر موجب کاهش هزینه شده است.

 

6- نتیجه گیری و پیشنهادات

الگوریتم های ژنتیک، بهینه سازی ذرات و ترکیب آن ها را بر روی مجموعه داده های استاندارد Solomon اجرا کرده و نتایج آن گرفته شده است. با استفاده از خوشه بندی می توان مشتریان نزدیک به هم را در یک خوشه قرار داده و براساس محدودیت زمان به آن ها سرویس داد. هرچقدر مشتری های نزدیک به هم توسط یک وسیله نقلیه سرویس دهی شوند هم در تعداد وسیله نقلیه­های مورد استفاده و هم در مسافت طی شده کلی صرفه جویی می شود. الگوریتم ترکیبی ژنتیک-بهینه سازی ذرات فضای مساله را بسیار بیشتر جستجو می کند. همان گونه که در قبلا ذکر گردید ممکن است الگوریتم ژنتیک نتواند بهینه های محلی را خوب پیدا کند. یا برعکس در بهینه های محلی گیر کند. استفاده از الگوریتم بهینه سازی ذرات به همراه الگوریتم ژنتیک باعث می شود شانس پیداکردن بهینه ی سراسری بسیار بیشتر شود. همچنین استفاده از پروتکل GPSR باعث بهبود نتایج نسبت به پروتکل OLSR شد. باتوجه به نتایج پروتکل های مبتنی بر موقعیت در ترکیب با الگوریتم های فراابتکاری عملکرد بهتری را نسبت به پروتکل های مبتنی بر توپولوژی دارند.

 باتوجه به اینکه سوال اصلی این پژوهش مربوط به بهینه سازی مسیریابی شبکه توزیع کالا با استفاده از الگوریتم های فراابتکاری وحمل و نقل هوشمند بود می­توان عنوان کرد که باتوجه به یافته های بخش نتایج ترکیب این دو الگوریتم باهم نسبت به دو الگوریتم به تنهایی نتایج قابل قبولی را داشتند که باتوجه به نتایج بهینه مجموعه داده برای تعداد وسایل نقلیه درگیر سرویس دهی و مسافت طی شده که سایر پژوهشگران از مجموعه داده بدست آورده­اند نتایج این پژوهش نزدیک به نتایج بهینه است[58]. همان گونه که قبلا ذکر گردید الگوریتم ژنتیک در یافتن جواب های بهینه های محلی ناکارآمد بود که با ترکیب با الگوریتم PSO این مشکل برطرف شد و الگوریتم ترکیبی در جستجوی محلی بهینه­ترین مسیر را با وجود محدودیت های تردد انتخاب کرد. همچنین استفاده از پروتکل مبتنی بر موقعیت-GPSR نسبت به پروتکل مبتنی بر توپولوژی-OLSR کل مسافت طی شده را بهبود داده است. 

مطالعه جول[62] با الگوریتم های فراابتکاری کلونی مورچه و کرم شب تاب توانسته به نتایج مشابه به نتایج بهینه و روش پیشنهادی این مطالعه دست یابد. همچنین مطالعه جرنهدن[63] نیز با استفاده از الگوریتم های ترکیبی SPSO و MILP نیز توانسته نتایجی نزدیک به نتایج بهینه بدست آورد. تحقیق کانش و همکاران[64] هم با ادغام الگوریتم های MVO-GHO نیز نتایجی مشابه به کارهای قبلی بدست آورد.

نتایج تابع هزینه محاسبه شده برای روش پیشنهادی بدون و با ونت نتایج بهتری را نسبت به مقاله مهدی و همکاران[65] و نتایج اولیه Solomon  را به همراه داشت همچنین نتایج روش پیشنهادی بدون ونت نسبت به روش پیشنهادی با ونت کمتر بود که به دلیل مسیریابی جدید در ترافیک نتایج تابع هزینه روش پیشنهادی با ونت کمی افزایش نسبت به روش پیشنهادی بدون ونت داشته است که دلیل آن هزینه تجهیزات ونت می باشد.

باتوجه به اینکه شهرها به سوی ITS گام برمی دارند می­توان از این تحقیق برای اجرای سیستم های مسیریابی حوزه توزیع استفاده نمود. حتی استفاده از الگوریتم های خوشه بندی  نیز باعث کاهش استفاده از وسایل نقیله شد که این امر تاثیر به سزایی در کاهش هزینه و استهلاک برای زنجیره تامین به همراه دارد.

نتایج ما پیامدهای مدیریتی مهمی دارد، به‌ویژه برای تصمیم‌گیرندگانی که می‌خواهند یک زنجیره تامین بسازند تا تقاضای رو به رشد بازارها را برآورده کنند. از نظر روش این مقاله به طور ابتکاری اهداف متعددی را برای مطالعه جامع مسیریابی مکان و موجودی مرکز توزیع و مشتریان در نظر می گیرد که می تواند به طور جامع تری مشکلات عملیات مدیریت را تحلیل کند. علاوه بر این، در این مطالعه از دو الگوریتم اکتشافی برای حل مسائل چند هدفه به همراه ITS استفاده شده و استفاده از Vanet ایده جدیدی برای حل مسائل چند هدفه ارائه می دهد. همچنین برای تصمیم گیرندگان، مکان، موجودی و برنامه ریزی مسیریابی بین مرکز توزیع و مشتریان بسیار مهم است. هر پیوندی بر هزینه اقتصادی و انتشار کربن تأثیر می گذارد که تصمیم گیرندگان باید هنگام برنامه ریزی وضعیت خود را به دقت در نظر بگیرند. علاوه بر این، تصمیم گیرندگان می توانند مسیریابی توزیع و زمان تحویل را با توجه به وضعیت مسیر اعم از ترافیک، خرابی جاده و غیره را تنظیم کنند تا سود خود را بهبود بخشند. همچنین سرعت خودرو می‌تواند به طور قابل‌توجهی بر هزینه‌های اقتصادی و انتشار کربن تأثیر بگذارد.

از آنجایی که در این پژوهش از الگوریتم های فراابتکاری GA و PSO استفاده شده، پژوهشگران دیگر می­تواند ترکیب الگوریتم های فراابتکاری دیگر به همراه خوشه بندی و شبکه Vanet برای مسیریابی استفاده کنند. همچین می­توان از الگوریتم های خوشه بندی دیگر و طبقه بندی برای دسته بندی مجموعه داده نیز استفاده کرد. در این پژوهش از دو پروتکل شبکه Vanet استفاده شد که سایر محققان می­تواند از سایر پروتکل های مبتنی بر موقعیت و مبتنی بر مکان استفاده کنند و نتایج را با این پژوهش مقایسه کنند. باتوجه به اینکه مدت زمان اجرا بر روی سیستم مورد نظر بسیار زیاد بود پیشنهاد می­گردد جهت پیاده سازی از ابزار کلان داده ها مانند هدوپ، اسپارک و غیره استفاده شود که با ایجاد Master-Slave پردازش را بین Slaveها تقسیم می­شود و مدت زمان اجرا به طور چشمگیری کاهش خواهد یافت.

 

 

 

منابع و مراجع

1.       Dehbari, S., and Pourrosta, A., and Naderi Bani, M., and Ghobadian, A., and Tavakoli Moghadam, R. (1391). Multi-purpose transport routing with potential service time and fuzzy demand under time window constraints. Operations Research in Its Applications (Applied Mathematics), 9(4 (35 consecutive)), 85-106. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=189175(Persian)

2.       Khademi Zare, Hassan, Taqwa, & Lotfi. (2018). The problem of routing multi-seat vehicles and multi-product with fuzzy time window, multiple goals and flexibility in determining the seat. International Journal of Industrial Engineering and Production Management, 28 (4), 559-571. (Persian)

3.       Rahimi Amir Massoud, Rajabi Tawarat, Vahid (2015). Provide a hybrid algorithm to solve the vehicle routing problem with the simultaneous receipt and delivery of goods. Amirkabir Scientific Research Journal. Civil and Environmental Engineering. 385 to 375, Page 1395, Winter 4, No. 48 Volume. (Persian)

4.       Jafari, Azizaleh, Tavakoli Moghadam, Reza, Forghani, Mohsen, Arab, Rahmat. (1395). Mathematical modeling for the problem of routing vehicles with reverse transport and solving it with multiple ant colony algorithm. Production and Operations Management, 7 (1), 215-234. doi: 10.22108 / jpom.2016.20920(Persian)

5.       Hosseini, S., and Hassani, A. (1397). Modeling and solving the problem of vehicle routing (VRP) in the supply chain distribution sector, taking into account traffic restrictions (technical note). Industrial Engineering and Management (Sharif Special Engineering Sciences), 34-1 (1/1), 147-155. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=484626(Persian)

6.       Mehdizadeh, Ismail, & Mirkhanzadeh. (2016). Optimal routing in the milkshake logistics problem with time constraints and incompatible demand. International Journal of Industrial Engineering and Production Management, 26 (4), 455-471. (Persian)

7.       Ebadati Mehdi. (1392). Presenting an Algorithm for Integrated Location-Routing Problem (Comparison with Other Repetitive and Hierarchical Methods) Master Thesis. (Persian)

8.       Mahjoubnia, Meysam, Dabiri, Noureddin, Bozorgi Amiri, Ali. (1396). Introducing a new model of location-routing-green inventory under uncertainty. Journal of Industrial Engineering Research in Production Systems, 5 (10), 99-115. doi: 1022084 / ier.2017.9761.1467(Persian)

9.        Eidi, Alireza, Alavi, Seyed Hadi. (1394). Periodic reversing of vehicles in reverse logistics with eligible customers. Scientific Journal of Supply Chain Management, 17 (49), 84-93. (Persian)

10.        Nadizadeh Ardakani Ali. (. 2014) Government - Ministry of Science, Research, and Technology - Yazd University - Faculty of Engineering. 1393. PhD Development of a model for the problem of locating-routing vehicles in the supply chain in a dynamic state with an uncertainty approach

11.       Hosseini, Seyed Mohammad Hassan, Khalaji Aliaei, Soheila. (1394). Mathematical modeling of the location-routing problem taking into account the capacity, diversity and limitations of transportation and development of a solution model based on the ant colony algorithm. Journal of Industrial Engineering Research in Production Systems, 3 (5), 91-105.

12.       Brown, M. (2020). Smart Transport. In Smart Cities in Application (pp. 69-83). Springer, Cham.

13.       Chang, Y. C., & Lee, C. Y. (2004). Machine scheduling with job delivery coordination. European Journal of Operational Research, 158(2), 470-487.

14.       Altiparmak, F., Gen, M., Lin, L., & Paksoy, T. (2006). A genetic algorithm approach for multi-objective optimization of supply chain networks. Computers & industrial engineering, 51(1), 196-215.

15.       Saeedi Mehrabad, M., Aazami, A., & Goli, A. (2017). A location-allocation model in the multi-level supply chain with multi-objective evolutionary approach. Journal of Industrial and Systems Engineering, 10(3), 140-160.

16.       Bank, M., Mazdeh, M., & Heydari, M. (2020). Applying meta-heuristic algorithms for an integrated production-distribution problem in a two level supply chain. Uncertain Supply Chain Management, 8(1), 77-92.

17.       Djatna, T., & Amien, G. (2020). Bi-objective freight scheduling optimization in an integrated forward/reverse logistic network using non-dominated sorting genetic algorithm-II. Decision Science Letters, 9(1), 91-106.

18.       Parkhi, S., Jagadeesh, D., & Kumar, R. A. (2014). A study on transport cost optimization in retail distribution. Journal of Supply Chain Management Systems, 3(4), 31-38.

19.       Tseng, Y. Y., Yue, W. L., & Taylor, M. A. (2005, October). The role of transportation in logistics chain. Eastern Asia Society for Transportation Studies

20.       Hiassat, A., Diabat, A., & Rahwan, I. (2017). A genetic algorithm approach for location-inventory-routing problem with perishable products. Journal of manufacturing systems, 42, 93-103.

21.       Rohmer, S. U. K., Claassen, G. D. H., & Laporte, G. (2019). A two-echelon inventory routing problem for perishable products. Computers & Operations Research, 107, 156-172.

22.       Azad, N., Aazami, A., Papi, A., & Jabbarzadeh, A. (2019, July). A two-phase genetic algorithm for incorporating environmental considerations with production, inventory and routing decisions in supply chain networks. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (pp. 41-42).

23.       Manavizadeh, N., Shaabani, M., & Aghamohamadi, S. (2019). Designing a green location routing inventory problem considering transportation risks and time window: a case study. Journal of Industrial and Systems Engineering, 0-0.

24.       Fazayeli, S., Eydi, A., & Kamalabadi, I. N. (2018). Location-routing problem in multimodal transportation network with time windows and fuzzy demands: Presenting a two-part genetic algorithm. Computers & Industrial Engineering, 119, 233-246.

25.       Rahimi, M., Baboli, A., & Rekik, Y. (2017). Multi-objective inventory routing problem: A stochastic model to consider profit, service level and green criteria. Transportation Research Part E: Logistics and Transportation Review, 101, 59-83.

26.       Nikfarjam, A., & Moosavi, A. (2020). An integrated (1, T) inventory policy and vehicle routing problem under uncertainty: an accelerated Benders decomposition algorithm. Transportation Letters, 1-22.

27.       Saragih, N. I., Bahagia, N., & Syabri, I. (2019). A heuristic method for location-inventory-routing problem in a three-echelon supply chain system. Computers & Industrial Engineering, 127, 875-886.

28.       Tavakkoli-Moghaddam, R., Forouzanfar, F., & Ebrahimnejad, S. (2013). Incorporating location, routing, and inventory decisions in a bi-objective supply chain design problem with risk-pooling. Journal of Industrial Engineering International, 9(1), 19.

29.       Zhu, L., & Hu, D. (2019). Study on the vehicle routing problem considering congestion and emission factors. International Journal of Production Research, 57(19), 6115-6129.

30.       Chen, D., Zhang, X., Gao, D., Gao, K., Wen, M., & Huang, Z. (2020, October). Logistics Distribution Path Planning Based on Fireworks Differential Algorithm. In 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 2797-2802). IEEE.

31.       Gómez-Montoya, R. A., Cano, J. A., Cortés, P., & Salazar, F. (2020). A Discrete Particle Swarm Optimization to Solve the Put-Away Routing Problem in Distribution Centres. Computation, 8(4), 99.

32.       Qin, G. Y., Tao, F. M., & Li, L. X. (2019, December). A Green Vehicle Routing Optimization Model with Adaptive Vehicle Speed Under Soft Time Window. In 2019 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM) (pp. 1-5). IEEE.

33.       Bouk, S. H., Ahmed, S. H., Kim, D., & Song, H. (2017). Named-data-networking-based ITS for smart cities. IEEE Communications Magazine, 55(1), 105-111.

34.       Menouar, H., Guvenc, I., Akkaya, K., Uluagac, A. S., Kadri, A., & Tuncer, A. (2017). UAV-enabled intelligent transportation systems for the smart city: Applications and challenges. IEEE Communications Magazine, 55(3), 22-28.

35.       Gohar, M., Muzammal, M., & Rahman, A. U. (2018). SMART TSS: Defining transportation system behavior using big data analytics in smart cities. Sustainable cities and society, 41, 114-119.

36.       Abbas, M. T., Jibran, M. A., Afaq, M., & Song, W. C. (2019). An adaptive approach to vehicle trajectory prediction using multimodel Kalman filter. Transactions on Emerging Telecommunications Technologies, e3734.

37.       Al-qutwani, M., & Wang, X. (2019). Smart Traffic Lights over Vehicular Named Data Networking. Information, 10(3), 83.

38.       Swarnamugi, M., & Chinnaiyan, R. (2020). Context—Aware Smart Reliable Service Model for Intelligent Transportation System Based on Ontology. In Proceedings of ICRIC 2019 (pp. 23-30). Springer, Cham.

39.       Lee, W. H., & Chiu, C. Y. (2020). Design and Implementation of a Smart Traffic Signal Control System for Smart City Applications. Sensors, 20(2), 508.

40.       Skabardonis, A. (2020). Traffic management strategies for urban networks: smart city mobility technologies. In Transportation, Land Use, and Environmental Planning (pp. 207-216). Elsevier.

41.       Liu, L., Gao, C., Mao, J., Lu, W., & Chen, Y. (2020). The Theoretical Concept and Method System of Traffic Congestion Control of Urban Road Network with Intelligent Transportation Systems. In ICTE 2019 (pp. 190-198). Reston, VA: American Society of Civil Engineers.

42.       Rahimi S, Jamali MA. A hybrid geographic-DTN routing protocol based on fuzzy logic in vehicular ad hoc networks. Peer-to-Peer Networking and Applications. 2018:1-4.

43.       Raw RS, Kadam A. Performance Analysis of DTN Routing Protocol for Vehicular Sensor Networks. InNext-Generation Networks 2018 (pp. 229-238). Springer, Singapore.

44.       DE ANDRADE, Gil Eduardo, et al. Message routing in vehicular delay-tolerant networks based on human behavior. In: Communication Systems, Networks and Digital Signal Processing (CSNDSP), 2016 10th International Symposium on. IEEE, 2016. p. 1-6.‏

45.       Mehra, R., & Dudeja, R. (2020). SECURE OLSR ROUTING PROTOCOL BASED ON HASH CHAIN FOR EFFICIENT CLUSTERING IN VANET. Journal of Natural Remedies, 21(2), 113-120.

46.       Oyakhire, O., & Gyoda, K. (2020, July). Improved OLSR considering node density and residual energy of nodes in dense networks. In 2020 35th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC) (pp. 161-165). IEEE.

47.       Jain, R., & Kashyap, I. (2020). Energy-Based Improved MPR Selection in OLSR Routing Protocol. In Data Management, Analytics and Innovation (pp. 583-599). Springer, Singapore.

48.       Oyakhire, O., & Gyoda, K. (2020). Improved Proactive Routing Protocol Considering Node Density Using Game Theory in Dense Networks. Future Internet, 12(3), 47.

49.       Apolin, S. K., Veniston, B., & Krishnaraj, N. (2020). EFFICIENT ROUTING IN VANETS USING TABU SEARCH (TS) ALGORITHM. Journal of Critical Reviews, 7(13), 989-994.

50.       Zhang, G., Wu, M., Duan, W., & Huang, X. (2018). Genetic algorithm based QoS perception routing protocol for VANETs. Wireless Communications and Mobile Computing, 2018.

51.       Muniyandi, R. C., Qamar, F., & Jasim, A. N. (2020). Genetic Optimized Location Aided Routing Protocol for VANET Based on Rectangular Estimation of Position. Applied Sciences, 10(17), 5759.

52.       Chahal, M., & Harit, S. (2019). Optimal path for data dissemination in Vehicular Ad Hoc Networks using meta-heuristic. Computers & Electrical Engineering, 76, 40-55.

53.       Gupta, D., & Kumar, R. (2014, September). An improved genetic based routing protocol for VANETs. In 2014 5th International Conference-Confluence The Next Generation Information Technology Summit (Confluence) (pp. 347-353). IEEE.

54.       Kasana, R., & Kumar, S. (2017, February). A geographic routing algorithm based on Cat Swarm Optimization for vehicular ad-hoc networks. In 2017 4th International Conference on Signal Processing and Integrated Networks (SPIN) (pp. 86-90). IEEE.

55.       Ye, M., Guan, L., & Quddus, M. (2020). TDMP_Reliable Target Driven and Mobility Prediction based Routing Protocol in Complex Vehicular Ad hoc Network. arXiv preprint arXiv:2009.01302.

56.       Wille, E. C., Del Monego, H. I., Coutinho, B. V., & Basilio, G. G. (2016). Routing Protocols for VANETs: An Approach based on Genetic Algorithms. KSII Transactions on Internet & Information Systems, 10(2).

57.       Okulewicz, M., & Mańdziuk, J. (2017). The impact of particular components of the PSO-based algorithm solving the Dynamic Vehicle Routing Problem. Applied Soft Computing, 58, 586-604.

58.       Kohl, N., Desrosiers, J., Madsen, O. B., Solomon, M. M., & Soumis, F. (1999). 2-path cuts for the vehicle routing problem with time windows. Transportation Science, 33(1), 101-116.

59.       Homberger, J. (2000). Eine verteilt-parallele Metaheuristik. In Verteilt-parallele Metaheuristiken zur Tourenplanung (pp. 139-165). Deutscher Universitätsverlag, Wiesbaden.

60.       Rochat, Y., & Taillard, É. D. (1995). Probabilistic diversification and intensification in local search for vehicle routing. Journal of heuristics, 1(1), 147-167.

61.       Taillard, É., Badeau, P., Gendreau, M., Guertin, F., & Potvin, J. Y. (1997). A tabu search heuristic for the vehicle routing problem with soft time windows. Transportation science, 31(2), 170-186.

62.       Goel, R., Maini, R., & Bansal, S. (2019). Vehicle routing problem with time windows having stochastic customers demands and stochastic service times: Modelling and solution. Journal of Computational Science, 34, 1-10.

63.       Jernheden, E., Lindström, C., Persson, R., Wedenmark, M., Erős, E., Roselli, S. F., & Åkesson, K. (2020, August). Comparison of Exact and Approximate methods for the Vehicle Routing Problem with Time Windows. In 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE) (pp. 378-383). IEEE.

64.       Ganesh, C. S., Sivakumar, R., & Rajkumar, N. (2021). Hybrid Swarm Intelligence Algorithm for Solving Vehicle Routing Problem with Time Windows. Annals of the Romanian Society for C

65.       Mehdi, N., Abdelmoutalib, M., & Imad, H. (2021). A modified ALNS algorithm for vehicle routing problems with time windows. In Journal of Physics: Conference Series (Vol. 1743, No. 1, p. 012029). IOP Publishing.

 

 

 

 

 

 

 

 

---