Analiza SWOT narzędzi do wyznaczania tras na przykładzie drogowego transportu chłodniczego w województwie zachodniopomorskim
|
|
- Sławomir Bielecki
- 5 lat temu
- Przeglądów:
Transkrypt
1 Piotr Trojanowski 1 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Analiza SWOT narzędzi do wyznaczania tras na przykładzie drogowego transportu chłodniczego w województwie zachodniopomorskim 1. WSTĘP Polska jest krajem, w którym następuje systematyczny rozwój transportu drogowego. Przyczyną tego jest m.in. otwarcie się nowych rynków w związku z przystąpieniem do Unii Europejskiej. Pozwoliło to na znaczne zwiększenie wymiany handlowej. Praca przewozowa wykonana przez transport samochodowy w Polsce w roku 2013 wyniosła mln t-km, z czego ponad 11% (27737 mln t-km) zrealizowanej zostało przez pojazdy o charakterystyce chłodniczej [17]. O rozszerzaniu się tego sektora transportu może świadczyć stały wzrost floty pojazdów chłodni w Polsce. Na charakterystykę rynku przewozu ładunków wymagających kontrolowanej temperatury ma wpływ wiele czynników. Głównym stymulatorem jest przemysł: spożywczy, farmaceutyczny czy kosmetyczny. Istotne jest również rozmieszczenie chłodni składowych. W przypadku województwa zachodniopomorskiego transport chłodniczy odgrywa istotną rolę w związku z lokalizacją portów morskich w Szczecinie i Świnoujściu, dużej ilości chłodni składowych, a także dzięki rozwiniętej branży rybnej. 2. CHARAKTERYSTYKA TRANSPORTU CHŁODNICZEGO W POLSCE Podstawowymi dokumentami regulującym drogowy transport chłodniczy w Polsce są: w przypadku transportu żywności - Umowa o międzynarodowych przewozach szybko psujących się artykułów żywnościowych i o specjalnych środkach transportu przeznaczonych do tych przewozów (ATP), sporządzona w Genewie dnia 1 września 1970 r. ratyfikowana przez Polskę w 1984 r. [26], w transporcie leków - Ustawa z dnia 6 września 2001 r. Prawo farmaceutyczne [27]. Umowa ATP dokonuje podziału środków transportu do przewozu produktów szybko psujących się na izotermiczny środek transportu, lodownię, chłodnię i ogrzewany środek transportu. Środki transportu powinny być oznakowane zgodnie z wytycznymi umowy ATP ciemnogranatowymi literami nie mniejszymi niż 12 cm. Dla każdego rodzaju pojazdu chłodni i jego klasy przyporządkowane są odpowiednie oznaczenia literowe. Ponadto należy podać również termin upływu ważności świadectwa wydanego na środek transportu. W województwie zachodniopomorskim czynnikami sprzyjającymi rozwojowi transportu chłodniczego są: bliskie sąsiedztwo Skandynawii i Niemiec, dostęp do Morza Bałtyckiego, środkowoeuropejski korytarz transportowy CETC-ROUTE65, 18 portów o statucie portów morskich ustanowionych przez ministra ds. gospodarki morskiej, autostrada A6, drogi ekspresowe S3, S6, S10, S11, centrum logistyczne North-West Logistic Park, Zachodniopomorskie Centrum Logistyczne, przemysł rybny. Rozwój transportu chłodniczego uwidacznia się na przykładzie wzrostu ilości pojazdów do przewozu ładunków wymagających kontrolowanej temperatury. 1 Piotr.Trojanowski@zut.edu.pl Logistyka 4/
2 Rys. 1. Stan ilościowy chłodniczych środków transportu (furgony, naczepy) w Polsce w latach Źródło: opracowanie na podstawie [8-17]. Obserwowana tendencja pozwala prognozować, że transport chłodniczy w Polsce będzie się dalej rozwijał i jego znaczenie będzie stopniowo rosło. Jednym z głównych stymulatorów rozwoju transportu chłodniczego w województwie zachodniopomorskim jest funkcjonowanie portów morskich w Szczecinie i Świnoujściu. Udział kontenerów chłodniczych względem całości obrotów kontenerowych w wymienionych portach wyniósł w roku 2008 ok. 10%, co więcej obserwuje się stałą tendencję rosnącą ładunków chłodniczych na poziomie 12-20% rocznie [6]. Ważnym czynnikiem są również elementy infrastruktury punktowej związane z przemysłem rybnym. W samym Szczecinie ulokowanych jest 8 chłodni składowych (najwięcej w Polsce) z czego 7 przeznaczonych jest bezpośrednio do przechowywania ryb mrożonych. Dodatkowo w 2013 roku otwarta została najnowocześniejsza w województwie chłodnia składowa wraz z fabryką lodu łuskowego w Kołobrzegu. Wraz z rozwijającym się transportem chłodniczym w województwie zachodniopomorskim coraz większego znaczenia nabiera problematyka organizacji transportu pojazdów-chłodni rozumianych zarówno jako pojazdów z nadwoziem furgonowym, jak i ciągników siodłowych z naczepą. 3. NARZĘDZIA STOSOWANE DO WYZNACZANIA TRAS Problem planowana tras znany jest już od dawna. W zależności od obranych kryteriów przybiera różne formy tj. problem komiwojażera (travelling salesman problem), czy problem marszrutyzacji (vehicle routing problem). Geneza problemu komiwojażera jest trudna do jednoznacznego określenia, natomiast problem marszrutyzacji zdefiniowany został przez dwóch amerykańskich naukowców G. B. Dantziga i J. H. Ramsera w 1959 r. [3]. Od tego czasu powstało i wciąż powstaje wiele różnych metod i ów służących do planowania tras. Wcześniej wymienione problemy rozwiązywane są często w oparciu o teorię grafów. W zależności od zdefiniowania ścieżki problem marszrutyzacji może przybierać formę symetryczną bądź niesymetryczną. W pierwszym przypadku ścieżki są jednakowe d i,j =d j,i, bez względu na kierunek przemieszczania. W drugim przypadku, marszrutyzacji niesymetrycznej, ścieżki między dwoma tymi samymi lokalizacjami różnią się d i,j d j,i w zależności od kierunku jazdy, np. w przypadku dróg jednokierunkowych. Graficzną interpretację problemu marszrutyzacji: symetrycznej stanowi graf nieskierowany, natomiast niesymetrycznej graf skierowany. Planowanie tras pojazdów może być realizowane w oparciu o dwa rodzaje metod: dokładne oraz przybliżone. Na wybór metody decydujący wpływ ma złożoność problemu rozumiana jako ilość punktów docelowych (odbiorców), wariantów tras między poszczególnymi lokacjami, czy wielkość floty pojazdów Logistyka 4/2015
3 W przypadku problemów o mniejszym skomplikowaniu zasadne jest stosowanie metod dokładnych. Jednakże ich złożoność obliczeniowa jest czynnikiem dyskwalifikującym w momencie planowania tras z wielowariantowymi zależnościami. Metody przybliżone w znacznym stopniu przyspieszają proces obliczeniowy i wyznaczenie oczekiwanego rezultatu. Należy jednak zauważyć, że wynik otrzymany metodami przybliżonymi nie jest wynikiem optymalnym (chociaż może się tak zdarzyć), a jedynie bliskim rozwiązaniu optymalnemu. W pracy przedstawione zostały następujące y: metoda podziału i ograniczeń, węgierski, Dijkstry, simpleks, mrówkowy, genetyczny, przeszukiwania tabu. Wymienione y są obecnie powszechnie stosowane w rozwiązywaniu problemów transportowych w postaci problemu komiwojażera, czy w jego rozwinięciu do postaci problemu marszrutyzacji. Stosowane są zarówno w formie podstawowej, rozwiniętej o dodatkowe kryteria, jak i w postaci hybrydowych połączeń poszczególnych ów. Dla przykładu Dijkstry znajduje zastosowanie w najnowszych pracach badawczych takich jak artykuł opisujący drogi dystrybucji świeżych produktów rolnych (Y. Tan, D. Wu) [25], Selection of Shortest Logistics Transportation Path Based on Dijkstra Model (W. Jaquin) [21] mrówkowy został zaimplementowany m.in. w pracach: An ant colony algorithm for the multi-compartment vehicle routing problem (M. Reed, A. Yiannakou, R. Evering) [23], Solving a Long-Distance Routing Problem using Ant Colony Optimization (Royo, B., Sicilia, J. A., Oliveros, M. J., Larrodé, E.) [24] natomiast zagadnienia związane z em genetycznym poruszane zostały m.in. w pracach: Some Aspects of the Application of Genetic Algorithm for Solving the Assignment Problem of Tasks to Resources in a Transport Company (M. Izdebski, M. Jacyna) [18], An Optimization Model for the Vehicle Routing Problem in Multiproduct Frozen Food Delivery (Y. Zhang, X. D. Chen) [28]. Tematyka planowania tras poruszana jest również w pracach: Modelowanie procesów technologicznych w transporcie (T. Ambroziak) [1], Algorytm klasteryzacji w zastosowaniu do problemu trasowania pojazdów (T. Ambroziak, R. Jachimowski) [2], Wybrane zagadnienia modelowania systemów transportowych [20] i Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych (M. Jacyna) [19]. Metoda podziału i ograniczeń stanowi jedno z podstawowych narzędzi do rozwiązywania wielu problemów optymalizacyjnych w tym m.in. problemu komiwojażera. Istotą tej metody jest przeszukiwanie w sposób planowy drzewa rozwiązań, którego źródłowym węzłem jest tzw. korzeń. Na drzewie zawarte są potencjalne ścieżki rozwiązania problemu podzielone na poziomy. Ich przeszukiwanie ze względu na możliwość wystąpienia bardzo dużej ilości węzłów wymaga zastosowania pewnych ograniczeń. Kolejno dodawanym węzłom wyznacza się ich dolne ograniczenie. Analizowanie poszczególnych węzłów zależne jest od ich granicy dolnej, która pozwala określić czy dany węzeł jest obiecujący. Za węzeł obiecujący uważa się taki, którego dolne ograniczenie ma wartość lepszą (w zależności od przyjętych kryteriów większą lub mniejszą) niż dotychczas wyznaczone. Uogólniając metoda ta dokonuje ciągłego podziału i rozwiązywania zadań, które następnie dzielą się na kolejne zadania, a rezultat końcowy otrzymujemy w chwili wyznaczenia dopuszczalnego rozwiązania. Metoda podziału i ograniczeń zarysowuje pewien sposób dążenia do rozwiązania. Natomiast poszczególne zadania wewnątrz tej metody mogą być rozwiązywane za pomocą różnych ów. Do rozwiązania problemu wyznaczania tras w oparciu o metodę podziału i ograniczeń stosowany jest m.in Little a. Metoda ta została opublikowana w 1963 roku w pracy pt. An algorithm for the traveling salesman problem [22]. Jednym z najbardziej powszechnych ów stosowanych do planowania tras jest węgierski określany również mianem metody węgierskiej. W formie podstawowej służy on do przydzielenia n zadań (j) dla n maszyn (i). Na podstawie tego konstruowana jest macierz o wymiarach n x n, w której dla każdej maszyny przypisuje się np. koszt/czas realizacji danego zadania. Etap I polega na dążeniu do uzyskania zera w każdej kolumnie i wierszu macierzy. Od każdego wiersza odejmowany jest jego najmniejszy element, jeżeli działania te nie przyniosą oczekiwanego rezultatu następuje analogiczne odejmowanie ale tym razem względem kolumn. Logistyka 4/
4 Etap II polega na skreśleniu (najmniejszą możliwą liczbą linii) wszystkich kolumn i wierszy, w których zawarte są elementy zerowe. W przypadku jeśli liczba linii niezbędnych do skreślenia wszystkich zer jest równa wymiarowi macierzy otrzymany wynik jest optymalny i następuje przypisanie zadań do maszyn. Etap III. Jeżeli liczba linii jest mniejsza niż wymiar macierzy, następuje wyznaczenie minimum wśród nieskreślonych elementów. Minimum to odejmuje się od pozostałych nieskreślonych elementów oraz dodaje do elementów leżących na przecięciach linii. Elementy, które zostały skreślone wyłącznie jedną linią pozostają niezmienione. Następuje powrót do etapu drugiego. W powyższej metodzie może zajść sytuacja, w której niemożliwe jest w sposób jednoznaczny wskazanie optymalnego rozwiązania. W takim przypadku wyboru należy dokonać intuicyjnie. Kolejnym narzędziem wykorzystywanym w wyznaczaniu tras jest opracowany w 1959 r. przez Edsger a Dijkstrę tzw. Dijkstry [4]. Służy on do wyznaczania najkrótszej ścieżki w grafie obejmującej wszystkie węzły począwszy od węzła pierwszego (źródła) lub wyznaczeniu najkrótszej ścieżki między dwoma węzłami. Algorytm Dijkstry dokonuje podziału zbioru wierzchołków grafu na trzy zbiory: V, Q, S. Pierwszy z nich V jest zbiorem wszystkich węzłów w grafie. Q jest zbiorem wszystkich wierzchołków o wspólnej krawędzi z węzłem źródłowym. Do zbioru S trafia węzeł ze zbioru Q o najkrótszej ścieżce od źródła po czym przekształca się on w węzeł źródłowy, a pierwotny węzeł źródłowy przestaje być uwzględniany w dalszym działaniu u. Działanie u kończy się w momencie kiedy zbiór Q jest pusty bądź też kiedy dotrze do wcześniej zdefiniowanego węzła. Algorytm Dijkstry dla wyznaczenia trasy między dwoma węzłami w grafie można opisać na następującym przykładzie rysunek 2. Rys. 2. Poszczególne etapy wyznaczania ścieżek wg u Dijkstry Wierzchołek S stanowi węzeł źródłowy natomiast wierzchołek F końcowy. Każda krawędź w grafie ma nadaną wagę (nieujemną). Działanie u Dijkstry polega na znalezieniu wierzchołka połączonego z wierzchołkiem źródłowym wspólną krawędzią o najniższej wadze, co na rysunku stanowi połączenie węzła źródłowego S z węzłem A. Następnie węzeł połączony z węzłem źródłowym przejmuje jego rolę (A). Taka iteracja zachodzi do momentu dotarcia do punktu końcowego (S A C E F). Na rysunku 1090 Logistyka 4/2015
5 przedstawiona została (pogrubioną linią) ścieżka o najniższej sumie wag ( =12). Ich suma wyniosła 12 i przedstawia optymalną trasę (minimalny koszt dotarcia) między węzłami S i F. Algorytm Dijkstry jest powszechnie stosowany w programach do wyznaczania tras dla jednego pojazdu. Na bazie tego u pracuje m.in. system wyznaczania tras w Google Maps. Kolejnym narzędziem stosowanym do rozwiązywania omawianego problemu jest simpleks. Wykorzystywany jest do rozwiązywania zadań programowania liniowego. Przebieg u w dużym uproszczeniu można przedstawić w dwóch krokach: 1. wyznaczenie rozwiązania bazowego, 2. sprawdzenie czy rozwiązanie bazowe jest optymalne, jeśli nie to wyznaczenie nowego rozwiązania bazowego. W związku z tym, że krok drugi jest powtarzany do momentu uzyskania optymalnego wyniku simpleks ma charakter iteracyjny. Wykorzystując simpleks możemy dokonywać zarówno minimalizacji jak i maksymalizacji. Różnica ujawnia się jedynie przy wyznaczaniu nowego rozwiązania bazowego. W przypadku minimalizacji jego wynik powinien być mniejszy lub ewentualnie równy poprzedniemu rozwiązaniu bazowemu. Rozwiązanie problemu komiwojażera z zastosowaniem wcześniej wymienionych metod jest możliwe. Co więcej otrzymany wynik jest wynikiem optymalnym (o ile taki istnieje). Problem stanowi jednak namnażanie się możliwych kombinacji wraz ze wzrostem liczby węzłów (miast) w rozwiązywanym zadaniu. Zależność (1) przedstawia w jakim stopniu może dochodzić do namnażania się ilości rozwiązań w przypadku stosowania metod dokładnych. gdzie: N liczba węzłów (miast). =!. (1) Rys. 3. Liczba możliwych rozwiązań dla 2, 4, 6, 8, 10 i 12 miast Rysunek 3 przedstawiający nawarstwianie się możliwych wariantów do przeanalizowania w przypadku metod dokładnych pokazuje konieczność rozwijania metod przybliżonych. Zastosowanie ich umożliwia w sposób radykalny zmniejszenie ilości obliczeń. Do metod przybliżonych zaliczamy m.in. mrówkowy, który opracowany został przez M. Dorigo [5]. Jego koncepcja oparta została o obserwację zachowania się mrówek poszukujących pożywienia. W początkowej fazie mrówki rozchodzą się w sposób losowy. Po znalezieniu pożywienia wracają do mrowiska zostawiając za sobą tzw. ślad feromonowy. Kolejne mrówki natrafiają na pozostawione przez poprzedniczki ślady feromonowe i zaczynają się kierować po wyznaczonej przez nie trasie. Ślad feromonowy z czasem słabnie. W związku z tym jego największa koncentracja powstaje na najkrótszych trasach. Prowadzi to do tego, że po serii losowego doboru tras kolonia mrówek wyznacza najkrótszą trasę do pożywienia. Kolejną ciekawą właściwością kolonii mrówek jest szybkie dostosowanie się do nowo powstałego problemu. Kiedy na wyznaczonej już trasie do pożywienia pojawi się odcinek Logistyka 4/
6 niemożliwy do pokonania, mrówki ponownie w sposób losowy rozchodzą się poszukując nowego łącznika. W następnym przejściu wybrany zostaje najkrótszy z nowo powstałych łączników. Można przypuszczać, że wyznaczona w ten sposób trasa nie jest trasą optymalną, a jedynie trasą najkrótszą wśród odkrytych tras. Prawdopodobieństwo wyboru przez mrówkę k trasy między miastem i, a miastem j w iteracji t przedstawia zależność (2): = [ ] [ ] " % &. (2) gdzie: ' intensywność feromonu na ścieżce (i, j) w czasie t, ( długość ścieżki między miastami (i, j), ), * współczynniki określające wpływ heurystyki na działanie mrówki, & zbiór węzłów (miast) o wspólnej krawędzi z węzłem (miastem) i. Drugą ze znanych metod przybliżonych stosowanych w problemach transportowych jest genetyczny. Zasada jego działania opiera się o przeszukiwanie możliwych rozwiązań celem znalezienia rozwiązania optymalnego. Co w praktyce, ze względu na charakter metody, sprowadza się do wskazania rozwiązania najlepszego wśród przeszukiwanych. Inspiracją do powstania u genetycznego było zjawisko ewolucji biologicznej. Działanie u przedstawione zostało na rysunku 4 w postaci schematu blokowego. START Ustalenie w sposób losowy populacji początkowej Ocena przystosowania chromosomów w populacji Warunek zatrzymania u Selekcja najlepszych chromosomów NIE TAK Wybór najlepszego chromosomu Zastosowanie operatorów genetycznych: krzyżowanie, mutowanie STOP Wygenerowanie nowej populacji Rys. 4. Schemat blokowy u genetycznego Algorytm genetyczny nie przeszukuje całej przestrzeni możliwych rozwiązań. W sposób losowy dokonuje wyboru populacji z tej przestrzeni. Po czym następuje ocena ich przystosowania, a następnie 1092 Logistyka 4/2015
7 wybór najlepszych osobników (względem wartości funkcji przystosowania). Po selekcji na nowo powstałej populacji dokonuje się krzyżowania i mutacji. Wśród powstałych w ten sposób nowych lepszych osobników wyłaniane jest końcowe rozwiązanie. Kolejną z heurystycznych metod stosowanych do rozwiązywania problemów optymalizacyjnych jest przeszukiwania tabu. Został on opracowany przez amerykańskiego badacza Fred a Glover a [7]. Jest to wyznaczający rozwiązanie w sposób iteracyjny. Zasadą działania u jest ciągłe zastępowanie rozwiązania, najlepszym rozwiązaniem sąsiednim nawet w przypadku gdy najlepsze rozwiązanie sąsiednie jest gorsze od rozwiązania wcześniejszego. Dlatego też kluczowe jest aby dokonywać odpowiednich przejść do kolejnych rozwiązań. W tym celu tworzona jest tzw. lista przejść zakazanych (tabu). Istotą tej listy jest przeciwdziałanie powrotu do tych samych rozwiązań. Pozwala to na zawężenie przestrzeni poszukiwań, co wydatnie skraca czas obliczeń. Czasami jednak zachodzi konieczność powrotu do wcześniejszego rozwiązania. Taki ruch, omijający tabu, umożliwia kryterium aspiracji. W związku z tym, że przeszukiwania tabu ma charakter iteracyjny zachodzi konieczność zdefiniowania kryterium zatrzymania. Jako warunek można przyjąć odgórnie wyznaczoną liczbę powtórzeń albo np. liczbę powtórzeń od ostatniego najlepszego rezultatu najwyższego/najniższego (w zależności od tego czy celem jest maksymalizacja czy minimalizacja). 4. ANALIZA SWOT NARZĘDZI DO WYZNACZANIA TRAS Tabela. 1. Analiza SWOT mocne i słabe strony. Little a węgierski Dijkstry simpleks mrówkowy algoryt m genetyc Mocne strony Słabe strony Możliwe jest znalezienie optymalnego rozwiązania Wykładniczy rozmiar drzewa przeszukiwania Przeszukiwanie tylko obiecującej przestrzeni rozwiązań Dłuższy czas szukania rozwiązania niż w przypadku heurystyk W krótkim czasie pozwala wyznaczyć optymalne rozwiązanie Nieprzydatny dla bardzo złożonych problemów dla mniej skomplikowanych problemów Wielomianowa złożoność obliczeniowa Przydziela zadania dla pojazdu/kierowcy wyłącznie w stosunku 1 do 1 Prosta struktura u Algorytm działa wyłącznie na macierzy kwadratowej Pozwala wyznaczyć optymalne rozwiązanie Nieskuteczny dla rzeczywistych sytuacji decyzyjnych Bardzo efektywny, możliwe jest stosowanie szerokiej gamy Algorytm wyznacza trasę wyłącznie dla jednego kryteriów środka transportu Znajduje optymalne rozwiązanie zarówno między wszystkimi Nieprzydatny przy bardzo dużej ilości węzłów węzłami w grafie jak i między wybranymi węzłami n gdyż złożoność obliczeniowa równa jest n 2 Znajduje rozwiązanie optymalne Nie można przypisywać do krawędzi wag ujemnych Skuteczny przy małej ilości zmiennych Nieprzydatny dla bardzo złożonych problemów Znajduje rozwiązanie optymalne Wysoka złożoność obliczeniowa Zaimplementowany został dla wielu ogólnodostępnych Nie można przypisywać ujemnych wag programów komputerowych Umożliwia rozwiązywanie problemów zmiennych w czasie Trudny do analizy teoretycznej rzeczywistym Znajduje najkrótszą ścieżkę w grafie Charakter u jest bardziej eksperymentalny niż teoretyczny Efektywny dla rozproszonych środowisk Przypadkowość działania sekwencje przypadkowych działań w związku z tym, czas znalezienia rozwiązania trudny do oszacowania Skuteczny w bardzo skomplikowanych problemach Uzyskane rozwiązanie może być dalekie od optymalnego Stosunkowo szybko wyznacza rozwiązanie, ze względu na Mało skuteczny do rozwiązywania problemów zdefiniowanie ilości iteracji w czasie rzeczywistym Logistyka 4/
8 przeszukiwan ia tabu Możliwe jest dowolne powtarzanie obliczeń celem uzyskania lepszego rozwiązania Ze względu na warunek stopu możliwy do przewidzenia czas przeszukiwania Elastyczny w działaniu ze względu na możliwość dowolnego definiowania sąsiedztwa Możliwy do zastosowania bez względu na ilość danych Tabela. 2. Analiza SWOT szanse i zagrożenia algoryt m Little a węgierski Dijkstry simpleks mrówkowy genetyczny przeszuki wania tabu Szanse Pozwala na wyznaczenie optymalnej trasy Przy niewielkiej liczbie lokacji szybko wyznacza optymalną trasę między nimi Wskazuje optymalne rozwiązanie dla problemu przydziału Może zostać połączony z innym em do wyznaczania tras np. heurystycznym Umożliwia wyznaczenie optymalnej trasy zarówno między dwoma miastami jak i między całą siecią miast Trasy między lokacjami mogą być różnorako definiowane (o ile wartości wag pozostają nieujemne) Wyznacza optymalną trasę Może być zastosowany jako rozwiązanie hybrydowe z innym em Pozwala na modyfikowanie trasy w czasie rzeczywistym Kolejne ulepszenia tego u znacznie poszerzają przestrzeń zastosowania w przypadku problemów transportowych Wyznaczoną trasę można ulepszać dodając kolejne przejścia u Wyznacza trasę nawet w bardzo skomplikowanych problemach, przy dużej ilości zmiennych Można zwiększać szansę znalezienia trasy bliskiej optymalnej przez poszerzanie przestrzeni poszukiwań Skuteczny nawet przy bardzo złożonym problemie transportowym Mniej skuteczny od ów specjalizowanych Wyznacza optimum lokalne, a nie globalne Trudno jest określić rozwiązanie startowe Uzyskane rozwiązanie może być dalekie od optymalnego Zagrożenia Wraz z dodawaniem kolejnych lokalizacji (np. miast) następuje radykalne wydłużenie czasu wyznaczania trasy Nieskuteczny w wyznaczaniu trasy dla kilku pojazdów Algorytm działa wyłącznie przy założeniu, że istnieje taka sama liczba zadań i środków transportu Niemożliwe jest przypisanie kilku zadań dla tego samego pojazdu/kierowcy Niemożliwe jest wyznaczenie trasy uwzględniającej więcej niż jeden środek transportu Nieskuteczny dla bardzo rozbudowanej sieci połączeń Niemożliwe jest przypisanie kilku zadań dla tego samego pojazdu/kierowcy Nieskuteczna dla nieliniowych zależności Trudny do oszacowania czas jaki jest potrzebny do wyznaczenia trasy przy zastosowaniu tego u Podstawowa forma u daje dużo gorsze rezultaty niż jego ulepszone wersje Trasa wyznaczona tym em może być bardzo daleka od optymalnej Wyraźnie odstępuje innym om heurystycznym do wyznaczania tras Wyznaczanie trasy odbywa się w sposób losowy Trasa wyznaczona tym em może być bardzo daleka od optymalnej Przedstawiona analiza SWOT podzielona została na dwa etapy. Pierwszy z nich dotyczy mocnych i słabych stron omawianych w pracy ów. Drugi etap odbiega w swojej koncepcji od konwencjonalnie pojmowanych zagrożeń i szans w analizie SWOT. Jako szanse rozumiane są w tym przypadku możliwości zastosowania danego u do rozwiązania problemu wyznaczania tras pojazdów o charakterze chłodniczym. Natomiast jako zagrożenia, czynniki dyskwalifikujące bądź utrudniające wprowadzenie danego rozwiązania w oparciu o Logistyka 4/2015
9 5. WNOSKI Drogowy transport chłodniczy na wielu płaszczyznach jest zbieżny z charakterystyką przewozu ładunków niewymagających specjalnych warunków. Stąd też wiele powszechnie stosowanych metod i ów do wyznaczania tras znajduje swoje zastosowanie i w tym typie transportu. Czynnikami występującymi niezależnie od przewożonego ładunku, a mającymi wpływ przy planowaniu tras są: ograniczenia prawne tj. czas pracy kierowców, ładowność środków transportu, zmienny popyt - sezonowość, infrastruktura. Zważywszy jednak, że ładunki wymagające kontrolowanej temperatury należą często do grupy produktów szybko psujących się dochodzi do uwydatnienia części kryteriów decydujących o wyborze trasy. Przy konwencjonalnych ładunkach zwraca się uwagę przede wszystkim na koszt przejazdu. Dlatego też wybierana jest po prostu najkrótsza trasa. Dopuszcza się jednak wydłużenie trasy w celu ominięcia płatnych odcinków. Sprowadza się do przejazdu drogami o niższej klasie. Ze względu, iż obniżanie klasy drogi wiąże się na ogół ze zmniejszeniem jej przepustowości taka operacja niesie dodatkowe ryzyko wystąpienia kongestii bądź innych czynników niepożądanych. Wspomniana praktyka w przypadku transportu chłodniczego jest niewskazana. Kluczowym kryterium dla tego rodzaju ładunków jest czas przewozu. Przydatność omawianych ów zależna jest od tego, czy dana trasa planowana jest dla jednego pojazdu - chłodni i przybiera formę problemu komiwojażera, czy dla wielu środków transportu i zadań. Istotna jest również złożoność problemu rozumiana jako ilość lokalizacji do przeanalizowania, łączących ich tras oraz pobocznych kryteriów i zmiennych decydujących o wyborze drogi. W kontekście województwa zachodniopomorskiego widoczna jest asymetria przewozów ładunków chłodniczych. Wiąże się to przede wszystkim z lokalizacją portów morskich w Szczecinie i Świnoujściu oraz z umiejscowieniem chłodni składowych. Przy planowaniu tras dla mało skomplikowanych problemów bardzo efektywne są y: Dijkstry, simpleks, węgierski oraz Little a. Umożliwiają one znalezienie optymalnego rozwiązania. Jeśli jednak problem wyznaczenia trasy jest bardzo rozbudowany może dochodzić do radykalnego wydłużenia się czasu pracy u. Zastosowanie tutaj znajdują metody przybliżone. Algorytmy: genetyczne, mrówkowe oraz przeszukiwania tabu pozwalają uniknąć długiego czasu oczekiwania na rozwiązanie kosztem finalnego wyniku, który nie jest w ich przypadku optymalny ale potrafi być bardzo bliski rozwiązaniu optymalnemu. W praktycznym zastosowaniu bardzo istotna jest możliwość wprowadzania dodatkowych zmiennych w czasie rzeczywistym co umożliwia mrówkowy. Zastosowanie w praktyce omawianych ów może przyczynić się do skrócenia czasu podejmowania decyzji w trakcie planowania przebiegu tras, zmniejszenia kosztów transportu oraz zwiększenia ogólnej wydajności drogowego transportu chłodniczego. Streszczenie W artykule przedstawiona została problematyka wyznaczania tras w drogowym transporcie chłodniczym w województwie zachodniopomorskim. Wstęp zawiera charakterystykę oraz opracowanie statystyczne ilustrujące tendencję rozwojową transportu chłodniczego. Przeanalizowane zostały metody oraz y, które mogą być zastosowane w celu zbadania poruszonej tematyki. Następnie, przy pomocy analizy SWOT dokonany został wybór metod i ów efektywnych w rozwiązywaniu problemu wyznaczania tras. Opisane zostały ewentualne korzyści z praktycznego zastosowania rezultatów badań w przewozach ładunków szybko psujących się. Słowa kluczowe: problem wyznaczania tras, analiza SWOT, transport chłodniczy. The SWOT analysis of vehicle routing problem instruments based on the example of the refrigerated transport in West Pomeranian region Abstract Logistyka 4/
10 This paper presents the issue of a vehicle routing problem in refrigerated transport in West Pomeranian region. The introduction deals with the characteristics and the statistical study illustrating the refrigerated transport development tendency. The methods and algorithms, which can be used to investigate the problem, are also discussed herein. Next, it presents the choice of methods and algorithms, which are effective in solving the routing problem, made by using SWOT analysis. It also describes the potential benefits of the practical use of the results of the perishable goods transport studies. Keywords: vehicle routing problem, SWOT analysis, refrigerated transport. LITERATURA [1] Ambroziak T., Modelowanie procesów technologicznych w transporcie. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa [2] Ambroziak T., Jachimowski R., Algorytm klasteryzacji w zastosowaniu do problemu trasowania pojazdów, Logistyka nr 2, Wydawnictwo Instytut Transportu i Magazynowania, [3] Dantzig G. B., Ramser J. H., The truck dispatching problem, nr 6(1), str , Management science, [4] Dijkstra E. W., A note on two problems in connexion with graphs, nr 1(1), str , Numerische mathematik, [5] Dorigo M., Optimization, learning and natural algorithms, Ph. D. Thesis, Politecnico di Milano, Italy [6] Filin S., Szczecin miasto przyjazne reeferom, nr 6-7, str , Technika chłodnicza i klimatyzacyjna [7] Glover F.: Future paths for integer programming and links to artificial intelligence, nr 13(5), str , Computers & operations research, [8] Główny Urząd Statystyczny, Transport wyniki działalności w 2004 r., Warszawa [9] Główny Urząd Statystyczny, Transport wyniki działalności w 2005 r., Warszawa [10] Główny Urząd Statystyczny, Transport wyniki działalności w 2006 r., Warszawa [11] Główny Urząd Statystyczny, Transport wyniki działalności w 2007 r., Warszawa [12] Główny Urząd Statystyczny, Transport wyniki działalności w 2008 r., Warszawa [13] Główny Urząd Statystyczny, Transport wyniki działalności w 2009 r., Warszawa [14] Główny Urząd Statystyczny, Transport wyniki działalności w 2010 r., Warszawa [15] Główny Urząd Statystyczny, Transport wyniki działalności w 2011 r., Warszawa [16] Główny Urząd Statystyczny, Transport wyniki działalności w 2012 r., Warszawa [17] Główny Urząd Statystyczny, Transport wyniki działalności w 2013 r., Warszawa [18] Izdebski M., Jacyna M., Some Aspects of the Application of Genetic Algorithm for Solving the Assignment Problem of Tasks to Resources in a Transport Company, nr 21(1), str , Logistics and Transport, [19] Jacyna M., Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych, Prace naukowe Politechniki Warszawskiej, Transport, z. 47, Oficyna wydawnicza Politechniki Warszawskiej, Warszawa [20] Jacyna M., Wybrane zagadnienia modelowania systemów transportowych, Oficyna wydawnicza Politechniki Warszawskiej, Warszawa [21] Jiaqin W., Selection of Shortest Logistics Transportation Path Based on Dijkstra Model, 21, 061, Logistics Technology, [22] Little J. D., Murty K. G., Sweeney D. W., Karel C., An algorithm for the traveling salesman problem, nr 11(6), str , Operations research, [23] Reed M., Yiannakou A., Evering R., An ant colony algorithm for the multi-compartment vehicle routing problem, nr 15, str , Applied Soft Computing, [24] Royo B., Sicilia J. A., Oliveros M. J., Larrodé E., Solving a Long-Distance Routing Problem using Ant Colony Optimization, nr 9(2L), str , Appl. Math, [25] Tan Y., Wu D., Research on Optimization of Distribution Routes for Fresh Agricultural Products Based on Dijkstra Algorithm, nr 336, str , Applied Mechanics and Materials, [26] The Agreement on the International Carriage of Perishable Foodstuffs and on the Special Equipment to be used for such Carriage (ATP), Geneva [27] Ustawa z dnia 6 września 2001 r. Prawo farmaceutyczne. Dz.U nr 126 poz [28] Zhang Y., Chen X. D., An Optimization Model for the Vehicle Routing Problem in Multiproduct Frozen Food Delivery, nr 12(2), Journal of Applied Research and Technology, Logistyka 4/2015
Wybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoALGORYTM KLASTERYZACJI W ZASTOSOWANIU DO PROBLEMU TRASOWANIA POJAZDÓW
Logistyka - nauka Tomasz AMBROZIAK *, Roland JACHIMOWSKI * ALGORYTM KLASTERYZACJI W ZASTOSOWANIU DO PROBLEMU TRASOWANIA POJAZDÓW Streszczenie W artykule scharakteryzowano problematykę klasteryzacji punktów
Bardziej szczegółowoSystemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoInformatyka w szkole - algorytm Dijkstry dla każdego. Krzysztof Diks Instytut Informatyki, Uniwersytet Warszawski
Informatyka w szkole - algorytm Dijkstry dla każdego Krzysztof Diks Instytut Informatyki, Uniwersytet Warszawski Problem 1: Labirynt Źródło: www.dla-dzieci.ugu.pl Problem : Wilk, owca i kapusta Źródło:
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoRozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2
Joanna Ochelska-Mierzejewska 1 Politechnika Łódzka Rozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2 Wprowadzenie Jednym z podstawowych ogniw usług logistycznych jest transport [7].
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoWykład z modelowania matematycznego. Zagadnienie transportowe.
Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoPlan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?
/9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoĆwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A
Ćwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A Zadanie do wykonania 1) Utwórz na pulpicie katalog w formacie Imię nazwisko, w którym umieść wszystkie pliki związane z
Bardziej szczegółowoPodejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski
Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle
Bardziej szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoWyznaczanie optymalnej trasy problem komiwojażera
Wyznaczanie optymalnej trasy problem komiwojażera Optymalizacja w podejmowaniu decyzji Opracowała: mgr inż. Natalia Malinowska Wrocław, dn. 28.03.2017 Wydział Elektroniki Politechnika Wrocławska Plan prezentacji
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego
Algorytmy Mrówkowe Instytut Informatyki Uniwersytetu Wrocławskiego 11 maja 2011 Opis Mrówki w naturze Algorytmy to stosunkowo nowy gatunek algorytmów optymalizacyjnych stworzony przez Marco Dorigo w 1992
Bardziej szczegółowoMODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem
MODELE SIECIOWE 1. Drzewo rozpinające (spanning tree) w grafie liczącym n wierzchołków to zbiór n-1 jego krawędzi takich, że dowolne dwa wierzchołki grafu można połączyć za pomocą krawędzi należących do
Bardziej szczegółowoProgramowanie sieciowe. Tadeusz Trzaskalik
Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście
Bardziej szczegółowoWykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoKlasyczne zagadnienie przydziału
Klasyczne zagadnienie przydziału Można wyodrębnić kilka grup problemów, w których zadaniem jest odpowiednie rozmieszczenie posiadanych zasobów. Najprostszy problem tej grupy nazywamy klasycznym zagadnieniem
Bardziej szczegółowoOPTYMALIZACJA W LOGISTYCE
OPTYMALIZACJA W LOGISTYCE Zagadnienie przydziału dr Zbigniew Karwacki Katedra Badań Operacyjnych UŁ Zagadnienie przydziału 1 Można wyodrębnić kilka grup problemów, których zadaniem jest alokacja szeroko
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE(ZT)
A. Kasperski, M. Kulej BO Zagadnienie transportowe 1 ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a 1, a 2,...,a p i q odbiorców,którychpopytwynosi b 1, b 2,...,b q.zakładamy,że
Bardziej szczegółowoA. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe1
A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a,a 2,...,a p i qodbiorców, którychpopytwynosi b,b 2,...,b
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoPROBLEM ROZMIESZCZENIA MASZYN LICZĄCYCH W DUŻYCH SYSTEMACH PRZEMYSŁOWYCH AUTOMATYCZNIE STEROWANYCH
CZESŁAW KULIK PROBLEM ROZMIESZCZENIA MASZYN LICZĄCYCH W DUŻYCH SYSTEMACH PRZEMYSŁOWYCH AUTOMATYCZNIE STEROWANYCH Duże systemy przemysłowe, jak kopalnie, kombinaty metalurgiczne, chemiczne itp., mają złożoną
Bardziej szczegółowoAlgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych
NEUMNN Tomasz 1 lgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych WSTĘP W systemach zarządzania transportem jedną z najbardziej istotnych kwestii jest zapewnienie najkrótszej
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoGospodarcze zastosowania algorytmów genetycznych
Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym
Bardziej szczegółowoOcena postaw przedsiębiorstw na temat doskonalenia jakości świadczonych usług logistycznych w zakresie transportu chłodniczego
UWAGA UWAGA Poniższy artykuł jest jedynie polskim tłumaczeniem artykułu dr. inż. Teresy Gajewskiej pt. Assessment of companies attitudes connected with perfection of quality logistics services in refrigerated,
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoAlgorytmy heurystyczne w UCB dla DVRP
Algorytmy heurystyczne w UCB dla DVRP Seminarium IO na MiNI 24.03.2015 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP UCB na potrzeby DVRP Algorytmy
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoAnaliza stanów gry na potrzeby UCT w DVRP
Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza
Bardziej szczegółowoDroga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. Droga i cykl Eulera i Hamiltona 1 / 92 Grafy Eulera Droga i cykl Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie
Bardziej szczegółowoDocument: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2
Document: Exercise*02*-*manual ---2014/11/12 ---8:31---page1of8 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 Wybrane zagadnienia z
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoBadania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle
Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Programowanie liniowe w zagadnieniach finansowych i logistycznych Linear programming in financial and logistics problems Kierunek: Matematyka Rodzaj przedmiotu: obowiązkowy dla specjalności
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 6. Piotr Syga
Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Badania operacyjne Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.SIK306 Nazwa przedmiotu Badania operacyjne Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Programowanie liniowe w technice Linear programming in engineering problems Kierunek: Rodzaj przedmiotu: obowiązkowy na kierunku matematyka przemysłowa Rodzaj zajęć: wykład, laboratorium,
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoHeurystyki. Strategie poszukiwań
Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoKLASYCZNE ZAGADNIENIE TRANSPORTOWE (KZT).
KLASYCZNE ZAGADNIENIE TRANSPORTOWE (KZT). Przez klasyczne zagadnienie transportowe rozumiemy problem znajdowania najtańszego programu przewozowego jednorodnego dobra pomiędzy punktami nadania (m liczba
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoProgramowanie genetyczne, gra SNAKE
STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowoOpis przedmiotu: Badania operacyjne
Opis : Badania operacyjne Kod Nazwa Wersja TR.SIK306 Badania operacyjne 2013/14 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka
Bardziej szczegółowoMetody optymalizacji dyskretnej
Metody optymalizacji dyskretnej Spis treści Spis treści Metody optymalizacji dyskretnej...1 1 Wstęp...5 2 Metody optymalizacji dyskretnej...6 2.1 Metody dokładne...6 2.2 Metody przybliżone...6 2.2.1 Poszukiwanie
Bardziej szczegółowoRozdział 3 ZADANIE TRANSPORTOWE I PROBLEM KOMIWOJAŻERA
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 3 ZADANIE TRANSPORTOWE I PROBLEM KOMIWOJAŻERA 3.2. Ćwiczenia komputerowe
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Badania operacyjne Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK405 Nazwa przedmiotu Badania operacyjne Wersja przedmiotu 2015/2016 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów
Bardziej szczegółowoBADANIA OPERACYJNE i teoria optymalizacji. Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych
BADANIA OPERACYJNE i teoria optymalizacji Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych e-mail: tpisula@prz.edu.pl 1 Literatura podstawowa wykorzystywana podczas zajęć wykładowych: 1. Gajda J.,
Bardziej szczegółowoWYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH
Inżynieria Rolnicza 7(105)/2008 WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Justyna Zduńczuk, Wojciech Przystupa Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa cz.2
Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego
Bardziej szczegółowoZagadnienie transportowe
9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoSeminarium IO. Zastosowanie algorytmu UCT w Dynamic Vehicle Routing Problem. Michał Okulewicz
Seminarium IO Zastosowanie algorytmu UCT w Dynamic Vehicle Routing Problem Michał Okulewicz 05.11.2013 Plan prezentacji Przypomnienie Problem DVRP Algorytm UCT Zastosowanie algorytmu UCT/PSO w DVRP Zastosowanie
Bardziej szczegółowoHeurystyczne metody przeszukiwania
Heurystyczne metody przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Pojęcie heurystyki Metody heurystyczne są jednym z ważniejszych narzędzi sztucznej inteligencji.
Bardziej szczegółowoBADANIA OPERACYJNE Zagadnienie transportowe. dr Adam Sojda
BADANIA OPERACYJNE Zagadnienie transportowe dr Adam Sojda adam.sojda@polsl.pl http://dydaktyka.polsl.pl/roz6/asojda/default.aspx Pokój A405 Zagadnienie transportowe Założenia: Pewien jednorodny towar należy
Bardziej szczegółowoTomasz M. Gwizdałła 2012/13
METODY METODY OPTYMALIZACJI OPTYMALIZACJI Tomasz M. Gwizdałła 2012/13 Informacje wstępne Tomasz Gwizdałła Katedra Fizyki Ciała Stałego UŁ Pomorska 149/153, p.523b tel. 6355709 tomgwizd@uni.lodz.pl http://www.wfis.uni.lodz.pl/staff/tgwizdalla
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoMarcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH
Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp
Bardziej szczegółowoZagadnienie transportowe
Zagadnienie transportowe Firma X zawarła kontrakt na dostarczenie trawnika do wykończenia terenów wokół trzech zakładów U, V i W. Trawnik ma być dostarczony z trzech farm A, B i C. Zapotrzebowanie zakładów
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoEkonometria - ćwiczenia 10
Ekonometria - ćwiczenia 10 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 14 grudnia 2012 Wprowadzenie Optymalizacja liniowa Na
Bardziej szczegółowoZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI
Wstęp ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI Problem podejmowania decyzji jest jednym z zagadnień sterowania nadrzędnego. Proces podejmowania decyzji
Bardziej szczegółowoWIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Bardziej szczegółowoZAGADNIENIA TRANSPORTOWE
ZAGADNIENIA TRANSPORTOWE Maciej Patan Uniwersytet Zielonogórski WPROWADZENIE opracowano w 1941 r. (F.L. Hitchcock) Jest to problem opracowania planu przewozu pewnego jednorodnego produktu z kilku różnych
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoWYBÓR PUNKTÓW POMIAROWYCH
Scientific Bulletin of Che lm Section of Technical Sciences No. 1/2008 WYBÓR PUNKTÓW POMIAROWYCH WE WSPÓŁRZĘDNOŚCIOWEJ TECHNICE POMIAROWEJ MAREK MAGDZIAK Katedra Technik Wytwarzania i Automatyzacji, Politechnika
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Dokładne algorytmy optymalizacji Maciej Hapke maciej.hapke at put.poznan.pl Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem minimalizacji
Bardziej szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowo