بازگشت به جستجو

برآوردگرهای شبکه عصبی برای طول تور بهینه نمونه های مشکل فروشنده دوره گرد با توزیع گره دلخواه

عنوان	برآوردگرهای شبکه عصبی برای طول تور بهینه نمونه های مشکل فروشنده دوره گرد با توزیع گره دلخواه
نویسنده	وارول، طاها، اوزنر، اوکان اورسان، آلبی، ارینچ
تاریخ انتشار:	2024
محل انتشار	- اطلاع می دهد
موضوع	مشکل فروشنده دوره گرد، تخمین بهینه طول تور، شبکه های عصبی
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	0041-1655
شماره ثبت	b135f2c4-ed57-4141-ad0b-3a8f4b8a7c06
محل کتابخانه	مهندسی صنایع
تاریخ	2024
متن نمونه	حل مسائل پیچیده مسیریابی برای دستیابی به کارایی عملیاتی در لجستیک ضروری است. با این حال، به دلیل پیچیدگی آنها، این مشکلات اغلب به صورت متوالی با استفاده از چارچوب های خوشه اول، مسیر دوم حل می شوند. متأسفانه، چنین چارچوب‌های دو فازی می‌توانند به دلیل فاز اولیه از بهینه‌تر نبودن رنج ببرند. برای پرداختن به این موضوع، ما استفاده از اطلاعات در مورد طول تورهای بهینه خوشه‌های بالقوه را به عنوان یک گام اولیه پیشنهاد می‌کنیم و رویکرد دو فازی را به یک چارچوب راه‌حل کمتر نزدیک‌بین تبدیل می‌کنیم. برای تسهیل این امر، برآوردگرهای طول تور مسئله فروشنده مسافرتی (TSP) سریع و بسیار دقیق را بر اساس شبکه‌های عصبی (NN) معرفی می‌کنیم. رویکرد ما قدرت NN و دانش نظری در حوزه مسیریابی را با هم ترکیب می‌کند و از مجموعه ویژگی‌های جدیدی استفاده می‌کند که شامل ویژگی‌های سطح گره، سطح نمونه، و سطح راه‌حل است. این ترکیبی از داده ها و دانش دامنه به ما امکان می دهد به پیش بینی هایی با میانگین انحراف کمتر از 0.7٪ از بهینه دست یابیم. برخلاف مطالعات قبلی، ما نمونه‌های جدیدی را طراحی و استفاده می‌کنیم که شبکه‌های لجستیک و مورفولوژی‌های واقعی را تکرار می‌کنند. این نمونه ها دارای ویژگی هایی هستند که هزینه های محاسباتی قابل توجهی را ایجاد می کنند و آنها را چالش برانگیزتر می کند. برای پرداختن به این چالش‌ها، ما یک روش جدید و کارآمد برای به دست آوردن کران‌های پایین‌تر و راه‌حل‌های جزئی برای TSP ایجاد می‌کنیم، که متعاقباً به عنوان پیش‌بینی‌کننده‌های سطح راه‌حل مورد استفاده قرار می‌گیرند. مطالعه محاسباتی ما خطای پیش‌بینی را تا شش برابر کمتر از بهترین روش‌های یادگیری ماشینی (ML) در نمونه‌های آموزشی آن‌ها و تا 100 برابر خطای پیش‌بینی کمتر در نمونه‌های تست خارج از توزیع نشان می‌دهد. علاوه بر این، ما مدل‌های ML پیشنهادی خود را با فراابتکاری ادغام می‌کنیم تا یک چارچوب راه‌حلی شبیه شمارش ایجاد کنیم، که راه‌حل بهبود یافته مشکلات مسیریابی در مقیاس عظیم را ممکن می‌سازد. از نظر زمان و کیفیت راه حل، رویکرد ما به طور قابل توجهی بهتر از حل کننده های پیشرفته است و پتانسیل ویژگی ها، مدل ها و روش پیشنهادی ما را نشان می دهد.
DOI	10.1287/trsc.2022.0015
Cilt	58

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

برآوردگرهای شبکه عصبی برای طول تور بهینه نمونه های مشکل فروشنده دوره گرد با توزیع گره دلخواه

نویسنده وارول، طاها، اوزنر، اوکان اورسان، آلبی، ارینچ

تاریخ انتشار 2024

محل انتشار - اطلاع می دهد

موضوع مشکل فروشنده دوره گرد، تخمین بهینه طول تور، شبکه های عصبی

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 0041-1655

شماره ثبت b135f2c4-ed57-4141-ad0b-3a8f4b8a7c06

محل کتابخانه مهندسی صنایع

تاریخ 2024

متن نمونه حل مسائل پیچیده مسیریابی برای دستیابی به کارایی عملیاتی در لجستیک ضروری است. با این حال، به دلیل پیچیدگی آنها، این مشکلات اغلب به صورت متوالی با استفاده از چارچوب های خوشه اول، مسیر دوم حل می شوند. متأسفانه، چنین چارچوب‌های دو فازی می‌توانند به دلیل فاز اولیه از بهینه‌تر نبودن رنج ببرند. برای پرداختن به این موضوع، ما استفاده از اطلاعات در مورد طول تورهای بهینه خوشه‌های بالقوه را به عنوان یک گام اولیه پیشنهاد می‌کنیم و رویکرد دو فازی را به یک چارچوب راه‌حل کمتر نزدیک‌بین تبدیل می‌کنیم. برای تسهیل این امر، برآوردگرهای طول تور مسئله فروشنده مسافرتی (TSP) سریع و بسیار دقیق را بر اساس شبکه‌های عصبی (NN) معرفی می‌کنیم. رویکرد ما قدرت NN و دانش نظری در حوزه مسیریابی را با هم ترکیب می‌کند و از مجموعه ویژگی‌های جدیدی استفاده می‌کند که شامل ویژگی‌های سطح گره، سطح نمونه، و سطح راه‌حل است. این ترکیبی از داده ها و دانش دامنه به ما امکان می دهد به پیش بینی هایی با میانگین انحراف کمتر از 0.7٪ از بهینه دست یابیم. برخلاف مطالعات قبلی، ما نمونه‌های جدیدی را طراحی و استفاده می‌کنیم که شبکه‌های لجستیک و مورفولوژی‌های واقعی را تکرار می‌کنند. این نمونه ها دارای ویژگی هایی هستند که هزینه های محاسباتی قابل توجهی را ایجاد می کنند و آنها را چالش برانگیزتر می کند. برای پرداختن به این چالش‌ها، ما یک روش جدید و کارآمد برای به دست آوردن کران‌های پایین‌تر و راه‌حل‌های جزئی برای TSP ایجاد می‌کنیم، که متعاقباً به عنوان پیش‌بینی‌کننده‌های سطح راه‌حل مورد استفاده قرار می‌گیرند. مطالعه محاسباتی ما خطای پیش‌بینی را تا شش برابر کمتر از بهترین روش‌های یادگیری ماشینی (ML) در نمونه‌های آموزشی آن‌ها و تا 100 برابر خطای پیش‌بینی کمتر در نمونه‌های تست خارج از توزیع نشان می‌دهد. علاوه بر این، ما مدل‌های ML پیشنهادی خود را با فراابتکاری ادغام می‌کنیم تا یک چارچوب راه‌حلی شبیه شمارش ایجاد کنیم، که راه‌حل بهبود یافته مشکلات مسیریابی در مقیاس عظیم را ممکن می‌سازد. از نظر زمان و کیفیت راه حل، رویکرد ما به طور قابل توجهی بهتر از حل کننده های پیشرفته است و پتانسیل ویژگی ها، مدل ها و روش پیشنهادی ما را نشان می دهد.

DOI 10.1287/trsc.2022.0015

Cilt 58