Journal of Operational Research and Its Applications

fa مشتریان مشترک در مسائل مسیریابی با تغذیه‌کننده‌ برای کالاهای غیر مشابه با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات با استراتژی یادگیری تطبیقی و وزن اینرسی پویا Shared Customers in the Routing Problems with Feeders for Non-Similar Goods Using Particle Swarm Optimization Algorithm with Adaptive Learning Strategy and Dynamic Inertia Weight تخصصي Special پژوهشي Research تنوع مکان‌های جغرافیایی مشتریان، سیستم‌های تحویل شرکت‌ها را مجبور می‌کند مسافت‌های طولانی و وسایل نقلیه بیشتری استفاده کنند که این اقدام موجب تراکم و ازدحام در شبکه‌های حمل‌ونقل شهری، آلودگی هوا، اتلاف وقت‌های طولانی در مسیر سفرهای روزانه افراد، افزایش مصرف سوخت و استهلاک وسایل نقلیه می‌گردد؛ بنابراین بررسی چالش‌های موجود در موضوع مسیریابی وسیله نقلیه و مشتریان در زنجیره تامین از اهمیت بسیار بالایی برخوردار است. مساله مسیریابی وسایل نقلیه تغذیه‌کننده (FVRP) به‌واسطه استفاده از وسایل نقلیه ناهمگن و رویکرد تغذیه‌کننده بین وسایل نقلیه کوچک و بزرگ به کاهش هزینه های توزیع کمک می‌کند. همچنین مکانیزم همکاری بین شرکت‌ها برای خدمت‌رسانی به مشتریان مشترک، منجر به صرفه‌جویی‌های قابل توجهی در تعداد وسایل نقلیه، مسافت طی‌شده و استفاده حداکثری از ظرفیت می‌شود. هدف مطالعه حاضر توسعه مساله‌ی همکارانه مسیریابی وسیله نقلیه تغذیه‌کننده (CFVRP) در چارچوب به اشتراک‌گذاری تقاضای مشتریان و متفاوت بودن کالاها با هدف حداقل کردن هزینه‌های عملیاتی می‌باشد. بعد از مدل‌سازی مسئله CFVRP با استفاده مدل برنامه ریزی عدد صحیح مختلط(MILP)، الگوریتم‌های PSO استاندارد، PSO مبتنی بر پویایی در وزن اینرسی(WPSO)،  PSOبا استراتژی یادگیری تطبیقی (LAWPSO) و PSO با پویایی در وزن اینرسی و یادگیری تطبیقی (LAWPSO) برای حل آن مورد ارزیابی قرار گرفت. آزمایش‌ها بر روی دو مجموعه نمونه های کوچک (10 تا 20 مشتری) و متوسط- بزرگ (50 تا 290 مشتری) انجام شد. نتایج نشان داد که در نمونه‌های کوچک، مدل CPLEX به دلیل استفاده از روش‌های دقیق، حل‌های بهینه با شکاف نسبی صفر ارایه کرد. در مقابل، الگوریتم LAWPSO در هر دو دسته نمونه، عملکرد برتری از نظر کیفیت حل و کارایی محاسباتی نسبت به PSO، LAPSO و WPSO نشان داد. این برتری به‌ویژه در مسایل متوسط و بزرگ، که نیازمند مدیریت پیچیدگی‌های ناشی از تعداد مشتریان زیاد و تنوع تقاضا هستند، مشهود بود.   The diversity of customers’ geographical locations forces companies’ delivery systems to use longer distances and more vehicles, which leads to congestion and crowding in urban transportation networks, air pollution, long delays in daily travel times, and increased fuel consumption. Therefore, examining the existing challenges in vehicle and customer routing in the supply chain is of great importance. The feeder vehicle routing problem (FVRP) helps reduce distribution costs by utilizing heterogeneous vehicles and the feeder approach between small and large vehicles. Additionally, the collaboration mechanism between companies to serve shared customers leads to significant savings in the number of vehicles, distance traveled, and maximization of capacity utilization. The aim of the present study is to develop the collaborative vehicle routing problem with feeders (CFVRP) within the framework of customer demand sharing and different goods, with the goal of minimizing operational costs. After modeling the CFVRP using the mixed integer linear programming (MILP) model, the standard PSO, PSO with dynamic inertia weight (WPSO), PSO with adaptive learning strategy (LAPSO), and PSO with adaptive learning strategy and dynamic inertia weight (LAWPSO) algorithms were evaluated to solve it. The experiments were conducted on two sets of small instances (10 to 20 customers) and medium - large instances (50 to 290 customers). The results showed that in small instances, the CPLEX model provided optimal solutions with a zero relative gap due to the use of exact methods. In contrast, the LAWPSO algorithm demonstrated superior performance in both instance categories in terms of solution quality and computational efficiency compared to PSO, LAPSO, and WPSO. This superiority was particularly evident in medium and large problems, which require managing the complexities arising from a large number of customers and diverse demands. شبکه همکارانه, مساله مسیریابی وسیله نقلیه تغذیه‌کننده, مدل برنامه ریزی عدد صحیح مختلط, الگوریتم بهینه‌سازی گروه ذرات با پویایی در ضریب اینرسی و یادگیری تطبیقی. Collaborative Network, Feeder Vehicle Routing Problem, Different Goods, Mixed-Integer Linear Programming, Particle Swarm Optimization With Adaptive Learning Strategy And Dynamic Inertia Weight 69 99 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2150-1&slc_lang=fa&sid=1 M. Salehi Sarbijan مرتضی صالحی سربیژن m.salehisarbijan@uoz.ac.ir 100319475328460011243 100319475328460011243 Yes Assistant Professor, Department of Mechanical Engineering, Faculty of Engineering, University of Zabol, Zabol, Iran گروه مکانیک، دانشکده فنی و مهندسی، دانشگاه زابل، زابل، ایران