Core Concepts
Das Ziel ist es, eine Flotte von Fahrzeugen mit begrenzter Kapazität zu finden, die alle Kunden durch Abdeckung bedienen, um die Gesamtentfernung zu minimieren.
Abstract
Der Artikel führt das Kapazitierte Covering-Salesman-Problem (CCSP) ein, das die Idee der Abdeckung in Tourenplanungsproblemen aufgreift. Es werden zwei ganzzahlige lineare Programmformulierungen (ILP) und ein Biased Random-Key Genetischer Algorithmus (BRKGA) vorgeschlagen, um das CCSP zu lösen.
Die Kernpunkte sind:
Das CCSP generalisiert sowohl das Traveling Salesman Problem als auch das Capacitated Vehicle Routing Problem, indem Kunden durch Abdeckung bedient werden können.
Die ILP-Formulierungen CCSP1 und CCSP2 werden präsentiert, wobei CCSP1 bessere Ergebnisse liefert.
Der BRKGA-Decoder weist eine zweiphasige Struktur auf: Zuerst wird ein Bin Packing Problem gelöst, um die Fahrzeuge zuzuweisen, dann werden die Routen konstruiert.
Eine Matheuristik, die auf der CCSP1-Formulierung aufbaut, verbessert die BRKGA-Lösungen weiter.
Umfangreiche Experimente auf einem Benchmark von 495 Instanzen zeigen die Leistungsfähigkeit der vorgeschlagenen Methoden.
Stats
Die Anzahl der Fahrzeuge, die benötigt werden, um alle Kundennachfragen zu bedienen, kann durch Lösen eines Bin Packing Problems approximativ bestimmt werden.
Die Gesamtentfernung der Routen soll minimiert werden.
Quotes
"Das Ziel des CCSP ist es, M Routen minimaler Kosten zu finden, wobei jeder Kunde entweder direkt besucht oder durch einen anderen Knoten in seinem Abdeckungsbereich bedient wird, und die Gesamtnachfrage jedes Fahrzeugs seine Kapazität nicht überschreitet."
"Das CCSP generalisiert sowohl das Traveling Salesman Problem als auch das Capacitated Vehicle Routing Problem, indem Kunden durch Abdeckung bedient werden können."