SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2005 / Cilt: 20 - Sayı: 4

KONKAV MALİYETLİ ULAŞTIRMA PROBLEMİ İÇİN GENE-TİK ALGORİTMA TABANLI SEZGİSEL BİR YAKLAŞIM

İsmail KARAOĞLAN
Fulya ALTIPARMAK
Pages
0
Publication Date
2013-04-10
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Karşılaştırma sonucunda, geliştirilen karma GA ile dört problem için çözüm kalitesinde %0.3 ile %5 arasında iyileşmenin olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Konkav Maliyetli Ulaştırma Problemi (KMUP), gerçek hayatta sık karşılaşılan problemlerden birisidir.
📊
Key Findings & Data:Algoritmanın etkinliği, tedarikçi ve müşteri sayısının 4 ile 40 arasında değiştiği ve rassal olarak üretilen 12 problem üzerinde incelenmiştir.
💡
Conclusion & Impact:Karşılaştırma sonucunda, geliştirilen karma GA ile dört problem için çözüm kalitesinde %0.3 ile %5 arasında iyileşmenin olduğu görülmüştür.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Ulaştırma problemi · genetik algoritmalar · yayılan ağaç

Özet

Konkav Maliyetli Ulaştırma Problemi (KMUP), gerçek hayatta sık karşılaşılan problemlerden birisidir. Doğrusal maliyetli problemlerin aksine, KMUP’de taşınacak miktar arttıkça birim taşıma maliyeti azalmaktadır. Bu tür problemlerde doğrusal olmayan maliyet fonksiyonundan dolayı klasik optimizasyon yöntemleri ile en iyi çözüme ulaşmak mümkün olmayabilir. Son yıllarda, genetik algoritmalar, tavlama benzetimi ve tabu arama gibi genel amaçlı sezgisel yöntemlerin bu tür zor problemlerin çözümünde başarıyla kullanıldığı görülmektedir. Bu çalışmada, KMUP için genetik algoritmalara dayalı bir karma sezgisel algoritma (karma GA) geliştirilmiştir. Algoritmanın etkinliği, tedarikçi ve müşteri sayısının 4 ile 40 arasında değiştiği ve rassal olarak üretilen 12 problem üzerinde incelenmiştir. Geliştirilen karma GA, literatürde bu problem için geliştirilmiş olan tavlama benzetimi, eşik kabulü ve doğrusal eşik kabulü yöntemine dayalı sezgisel algoritmalar ile karşılaştırılmıştır. Karşılaştırma sonucunda, geliştirilen karma GA ile dört problem için çözüm kalitesinde %0.3 ile %5 arasında iyileşmenin olduğu görülmüştür.

🔖

Cite This Article

KARAOĞLAN, İ., ALTIPARMAK, F. (2013). KONKAV MALİYETLİ ULAŞTIRMA PROBLEMİ İÇİN GENE-TİK ALGORİTMA TABANLI SEZGİSEL BİR YAKLAŞIM. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 20 - Sayı: 4, 0. https://ajindex.com/articles/21229

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (17)

  1. Hitchcock, F.L., “The Distribution of a Product from Several Sources to Numerous Locations”, Journal of Mathematical Physic, Cilt 20, 224-230, 1941.
  2. Winston, W.L., Operations Research: Applica-tions and Algorithm, Third Edition,
  3. Duxbury Press, California, 1994.
  4. Ahuja, R.K., Magnanti, T.L., Orlin,J.B., Network flows, Prentice Hall, Upper Saddle River, New Jersey, 1993.
  5. Yan, S., Luo, S.C., “Probabilistic Local Search Algorithms for Concave Cost Transportation Net-work Problems”, European Journal of Opera-tional Research, Cilt 117, 511-521, 1999.
  6. Larsson, T., Migdalas, A., Ronnqvist, M., “A Lagrangian Heuristic for the Capacitated Con-cave Minimum Cost Network Flow Problem”, European Journal of Operational Research, Cilt 78, 116-129, 1994.
  7. Erickson, R.E., Monma, C.L., Veinott, A.F., “Send-And-Split Method for Minimum Concave Cost Network Fows”, Teknik Rapor, No 33, De-partment of Operations Research, Stanford Uni-versity, Stanford, 1986.
  8. Florian, M., Klein, M., “Deterministic Production Planning with Concave Cost and Capacity Con-straints”, Management Science, Cilt 8, 12-20, 1971.
  9. Gallo, G., Sodini, C., “Adjacent Extreme Flows and Application to Min Concave Cost Flow Prob-lems”, Networks, Cilt 9, 95-121, 1979.
  10. Gallo, G., Sandi, C., Sodini, C., “An Algorithm for the Min Concave Cost Flow Problem”, European Journal of Operational Research, Cilt 4, 248-255, 1980.
  11. Holland, J.H., Adaptation in Natural and Artifi-cial Systems, Ann Arbor, University of Michigan Press, 1975.
  12. Chen, C.L., Vempati, V.S., Aljaber, N., “An Ap-plication of Genetic Algorithms for flow shop problems”, European Journal of Operation Re-search, Cilt 80, 389-396, 1995.
  13. Reeves, C.R., “A Genetic Algorithms for Flowshop Sequencing”, Computers and Operations Research, Cilt 22, Sayı 1, 5-13, 1995.
  14. Murata, T., Ishibuchi, H., Tanaka, H., “Multi-Objective Genetic Algorithms and Its Applications to Flow Shop Scheduling”, Computers and In-dustrial Engineering, Cilt 30, Sayı 4, 957-968, 1996.
  15. Murata, T., Ishibuchi, H., Tanaka, H., “Genetic Algorithms for Flow Shop Scheduling Problems”, Computers and Industrial Enginering, Cilt 30, Sayı 4, 1061-1071, 1996.
  16. Chen, C.L., Neppalli, R.V., Aljaber, N., “Genetic Algorithms Applied to the Continuous Flow Shop Problem”, Computers and Industrial Engineer-ing, Cilt 30, Sayı 4, 919-929, 1996.
  17. Dengiz, B., Altıparmak, F., Smith, A.E., “Local Search Genetic Algorithm for Optimal Design of Reliable Networks”, IEEE Transactions on Evo-lutionary Computation, Cilt 1, Sayı 3,