مقدرات الشبكة العصبية لأطوال الجولة المثالية لحالات مشكلة مندوب المبيعات المتنقل مع توزيعات العقدة التعسفية
| العنوان | مقدرات الشبكة العصبية لأطوال الجولة المثالية لحالات مشكلة مندوب المبيعات المتنقل مع توزيعات العقدة التعسفية |
|---|---|
| المؤلف | فارول، طه، أوزينر، أوكان أورسان، ألبي، إيرينتش |
| تاريخ النشر: | 2024 |
| مكان النشر | - يبلغ |
| الموضوع | مشكلة مندوب المبيعات المتجول، التقدير الأمثل لطول الجولة، الشبكات العصبية |
| النوع | دورية |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 0041-1655 |
| رقم السجل | b135f2c4-ed57-4141-ad0b-3a8f4b8a7c06 |
| موقع المكتبة | الهندسة الصناعية |
| التاريخ | 2024 |
| نص عينة | من الضروري حل مشاكل التوجيه المعقدة لتحقيق الكفاءة التشغيلية في مجال الخدمات اللوجستية. ومع ذلك، نظرًا لتعقيدها، غالبًا ما تتم معالجة هذه المشكلات بشكل تسلسلي باستخدام أطر عمل المجموعة أولاً ثم المسار الثاني. ولسوء الحظ، فإن مثل هذه الأطر ذات المرحلتين يمكن أن تعاني من دون المستوى الأمثل بسبب المرحلة الأولية. ولمعالجة هذه المشكلة، نقترح الاستفادة من المعلومات حول أطوال الجولة المثالية للمجموعات المحتملة كخطوة أولية، وتحويل النهج المكون من مرحلتين إلى إطار حل أقل قصر النظر. نحن نقدم أدوات تقدير سريعة ودقيقة للغاية لطول جولة مشكلة مندوبي المبيعات المتجولين (TSP) استنادًا إلى الشبكات العصبية (NNs) لتسهيل ذلك. يجمع نهجنا بين قوة الشبكات العصبية والمعرفة النظرية في مجال التوجيه، وذلك باستخدام مجموعة ميزات جديدة تتضمن ميزات على مستوى العقدة ومستوى المثيل ومستوى الحل. يتيح لنا هذا التهجين بين البيانات ومعرفة المجال تحقيق تنبؤات بمتوسط انحراف أقل من 0.7% عن المثالية. على عكس الدراسات السابقة، نقوم بتصميم واستخدام حالات جديدة لتكرار الشبكات اللوجستية والمورفولوجيات الواقعية. تمتلك هذه الحالات خصائص تؤدي إلى تكاليف حسابية كبيرة، مما يجعلها أكثر صعوبة. ولمواجهة هذه التحديات، نقوم بتطوير طريقة جديدة وفعالة للحصول على الحدود الدنيا والحلول الجزئية لـ TSP، والتي يتم استخدامها لاحقًا كتنبؤات على مستوى الحل. توضح دراستنا الحسابية خطأ تنبؤ أقل بما يصل إلى ستة أضعاف من أفضل طرق التعلم الآلي (ML) في حالات التدريب الخاصة بها وخطأ تنبؤ أقل بما يصل إلى 100 مرة في حالات الاختبار خارج التوزيع. علاوة على ذلك، نقوم بدمج نماذج ML المقترحة لدينا مع الأساليب الماورائية لإنشاء إطار حل يشبه التعداد، مما يتيح حلًا محسنًا لمشاكل التوجيه واسعة النطاق. من حيث وقت الحل وجودته، يتفوق نهجنا بشكل كبير على أحدث الحلول، مما يدل على إمكانات ميزاتنا ونماذجنا والطريقة المقترحة. |
| DOI | 10.1287/trsc.2022.0015 |
| Cilt | 58 |
