Yazar
Varol, Taha, Özener, Okan Örsan, Albey, Erinç
Basım Tarihi
2024
Basım Yeri
-
bilgilendirir
Konu
Gezgin satış elemanı problemi, Optimum tur uzunluğu tahmini, Sinir ağları
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
0041-1655
Kayıt Numarası
b135f2c4-ed57-4141-ad0b-3a8f4b8a7c06
Lokasyon
Endüstri Mühendisliği
Tarih
2024
Örnek Metin
Lojistikte operasyonel verimliliği sağlamak için karmaşık rotalama problemlerini çözmek önemlidir. Bununla birlikte, karmaşıklıkları nedeniyle, bu sorunlar genellikle küme-önce, rota-ikinci çerçeveler kullanılarak sırayla ele alınır. Ne yazık ki, bu tür iki aşamalı çerçeveler, başlangıç aşamasından dolayı optimumun altında kalma sorunu yaşayabilir. Bu konuyu ele almak için, iki aşamalı yaklaşımı daha az miyop bir çözüm çerçevesine dönüştürerek, bir ön adım olarak potansiyel kümelerin optimal tur uzunlukları hakkındaki bilgilerden yararlanmayı öneriyoruz. Bunu kolaylaştırmak için sinir ağlarına (NN'ler) dayalı hızlı ve son derece doğru Gezici Satış Elemanı Problemi (TSP) tur uzunluğu tahmin edicileri sunuyoruz. Yaklaşımımız, düğüm seviyesi, örnek seviyesi ve çözüm seviyesi özellikleri içeren yeni bir özellik seti kullanarak, NN'lerin gücünü ve yönlendirme alanındaki teorik bilgiyi birleştirir. Verilerin ve alan bilgisinin bu melezleştirilmesi, optimaliteden ortalama %0,7'den daha az bir ortalama sapma ile tahminler elde etmemizi sağlar. Önceki çalışmalardan farklı olarak, gerçek hayattaki lojistik ağlarını ve morfolojilerini kopyalayan yeni örnekler tasarlıyor ve kullanıyoruz. Bu örnekler, önemli hesaplama maliyetleri getiren ve onları daha zorlu hale getiren özelliklere sahiptir. Bu zorlukların üstesinden gelmek için, TSP'nin alt sınırlarını ve kısmi çözümlerini elde etmek için daha sonra çözüm seviyesi tahmincileri olarak kullanılan yeni ve etkili bir yöntem geliştiriyoruz. Hesaplamalı çalışmamız, eğitim örnekleri üzerinde en iyi makine öğrenimi (ML) yöntemlerinden altı kata kadar daha düşük tahmin hatası ve dağıtım dışı test örneklerinde 100 kata kadar daha düşük tahmin hatası olduğunu göstermektedir. Ayrıca, numaralandırmaya benzer bir çözüm çerçevesi oluşturmak için önerilen makine öğrenimi modellerimizi meta-sezgisel bilgilerle entegre ederek büyük ölçekli yönlendirme sorunlarının geliştirilmiş çözümünü sağlıyoruz. Çözüm süresi ve kalitesi açısından yaklaşımımız, son teknoloji ürünü çözümleyiciden önemli ölçüde daha iyi performans göstererek özelliklerimizin, modellerimizin ve önerilen yöntemin potansiyelini ortaya koyuyor.
DOI
10.1287/trsc.2022.0015
Cilt
58
