Greedy and Adaptive Algorithms for Multi-Depot Vehicle Routing with Object Alternation

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

This paper considers the multi-depot vehicle routing problem with object alternation. We propose a formal statement of the problem with two types of objects and a mathematical model with two blocks of Boolean variables. First, the model is studied without gathering vehicles (mobile objects). Then, a special object (a single collection point) is introduced in the model. We show additional constraints of the mathematical model with this object. Special attention is paid to the condition of no subcycles. This condition is considered based on the adjacency matrix. Five greedy algorithms are proposed for solving the problem, two of which are iterative. One of the greedy algorithms is given a probabilistic modification based on the randomization of variables (an adaptive algorithm). Finally, the proposed algorithms are compared in terms of the average value of the objective function and the running time in a computational experiment. Also, the results of another experiment—the parametric tuning of the adaptive algorithm—are presented.

About the authors

S. N Medvedev

Voronezh State University

Author for correspondence.
Email: s_n_medvedev@mail.ru
Voronezh, Russia

References

  1. Демиденко В.М. Модели маршрутизации транспортных средств в товаропроводящих сетях // Экономика, моделирование, прогнозирование. 2012. № 6. С. 94-106.
  2. Веларде М., Литвинчев И.С., Цедильо Г. Интегрированная модель маршрутизации транспортных средств и построения зон обслуживания // Известия РАН. Теория и системы управления. 2017. № 6. С. 74-79.
  3. Косоногова Л.Г., Королёва А.А., Дубасов А.В. Анализ оптимального распределения транспортного потока при маршрутизации количества транспортных средств // Вестник: научный журнал. 2021. № 6 (48). С. 81-85.
  4. Юсупова Н.И., Валеев Р.С. Об одной задаче маршрутизации для доставки однородного продукта различным клиентам автомобильными транспортными средствами // Современные наукоемкие технологии. 2020. № 4. С. 84-88.
  5. Yi Zhoua, Weidong Lib, Xiaomao Wanga, Yimin Qiua, Weiming Shen Adaptive gradient descent enabled ant colony optimization for routing problems // Swarm and evolutionary computation. 2022. Vol. 70 (3). https://doi.org/10.1016/j.swevo.2022.101046
  6. Ramalingam A., Vivekanandan K. Genetic algorithm based solution model for multi-depot vehicle routing problem with time windows // International journal of advanced research in computer and communication engineering. 2014. Vol. 3. Issue 11. pp. 8433-8439.
  7. Mazidi A., Fakhrahmad M., Sadreddini M. A Meta-heuristic approach to CVRP problem: local search optimization based on GA and ant colony // Journal of advances in computer research. 2016. Vol. 7. No. 1. pp. 1-22.
  8. Medvedev S.N., Medvedeva O.A., Zueva Y.R., Chernyshova G.D. Formulation and algorithmization of the interleaved vehicle routing problem // Journal of Physics: Conference Series 1203 012053. 2019. https://doi.org/10.1088/1742-6596/1203/1/012053
  9. Medvedev S., Sorokina A., Medvedeva O. The vehicle routing problem for several agents among the objects of two types // 2019 XXI International Conference Complex Systems: Control and Modeling Problems (CSCMP), Samara, Russia. 2019. pp. 535-540.
  10. Медведев С.Н. Математическая модель и алгоритм решения задачи маршрутизации транспортных средств с несколькими центрами с чередованием и единым местом сбора // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2021. № 1. С. 21-32.
  11. Кензин М.Ю., Бычков И.В., Максимкин Н.Н. Комплексный многоцелевой мониторинг группой автономных транспортных средств // Известия ЮФУ. Технические науки. 2019. № 7 С. 82-92.
  12. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978. 432 с.
  13. Гольштейн Е.Г., Юдин Д.Б. Задачи линейного программирования транспортного типа. М.: Наука, 1969. 382 с.
  14. Medvedev S.N., Medvedeva O.A. An adaptive algorithm for solving the axial threeindex assignment problem // Autom. Remote Control. 2019. V. 80. No. 4. P. 718-732.
  15. Медведев С.Н. Об оптимальном решении задачи маршрутизации транспорта с чередованием с единым местом сбора // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2021): сборник трудов Всероссийской научной конференции, Воронеж. 2021. C. 97-101.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 The Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».