پیاده سازی مسئله VRP با روش های ACO و GAیکشنبه 23, سپتامبر 2018
دانلود پروژه آماده پیاده سازی مسئله VRP با روش های ACO و GA در متلب
این پروژه که در ۲ فاز انجام شده توسط تیم همیارپروژه نوشته شده است که بسیار کاربردی و مفید برای یادگیری رشته هوش مصنوعی می باشد.توضیحات پروژه را می توانید در زیر بخوانید و سپس آن را با پرداخت هزینه ای مناسب دانلود نمایید:
VRP را می توان بصورت یک گراف کامل وزن دار مثل G معرفی کرد که (V,A,d) ، V مجموعه راسها یا همان شهرها یا مشتری ها هستند ، A مجموعه یالهای بین آنها . راسها را v0 تا vn (nتا) در نظر بگیرید. و بین هر دوراس غیر یکسان حتما یال داریم. راس v0 مبدا و انبار اصلی است. dij وزن غیر منفی روی یالهاست که نشان دهنده هزینه یا زمان سفر از راس i به راس j را نشان می دهد.هر مشتری vi مقدار غیر منفی نیازمندی دارد که با qi نشان داده می شود و مدت زمان غیرمنفی هم برای سرویس دهی به ان مشتری منظور می شود. البته هدف پیدا کردن کم هزینه ترین مسیر حمل و نقل است به طوریکه:
- به هر مشتری دقیقا و فقط یکبار و فقط توسط یک ماشین سرویس داده شود.
- همه وسایل از مبدا شروع به حرکت کرده و به مبدا بازگردند.
- هر وسیله نقلیه حداکثر نیازی را که می تواند مرتفع کند به اندازه ظرفیت Q خودش است.
- مدت زمانی که برای هر ماشین طول می کشد از مبدا راه بیفتد و از هر مسیر دلخواه، به مشتری های مورد نظرش سرویس بدهد و به مقصد بازگردد، (با احتساب زمان سرویس گیری مشتری ها) از مقدار L نباید بیشتر شود.
فاز اول پیاده سازی با ACO:
برای حل VRP ، مورچه های مصنوعی مسیرهای ماشین ها را با انتخاب متوالی شهرها یا مشتریها می سازند تا جایی که شهر یا مشتری دیده نشده ای نمانده باشد یا انتخاب شهر بعدی در این مسیر منجر به نقض شرایط و نشدنی (infeasible) شدن مسیر شود.مثلا از ظرفیت بارگیری ماشین یا حداکثر زمان مصروف در مسیر تجاوز شود . در اینصورت شهر بعدی همان مبدا خواهد بود یعنی ماشین بر میگردد به انبار اصلی و دور بعدی آغاز می شود.
اینکه در هر لحظه بعد از شهر iکدام شهر دیده نشده انتخاب شود به میزان خوبی آن شهر (مقدار فرومون روی یال eij یا رد پای مورچه) و مقدار جذابیت آن بستگی دارد. که جذابیت می تواند معکوس فاصله یا هزینه دو راس i و j باشد.و راس j هر راس شدنی از گراف می تواند باشد که مطابق با قانون زیر انتخاب شود:
این توزیع احتمال توسط دو پارامتر الفا و بتا تنظیم شده که به ترتیب نشان دهنده تاثیرگذاری رد پا و جذابیت است.
الفا و بتا می توانند ۱ و ۵ یا مساوی با هم باشند.
بعد از انکه یک مورچهk یک مسیر ساخت ، میزان فرومون هریال یا رد پای او( trail یا ) برای هر یال در آن مسیر باید به اندازه معکوس LK افزایش یابد. علاوه بر این اگر فرض کنید طول بهترین مسیر L* باشد، انگاه اگر مورچه ای از یالهای این بهترین تور استفاده کرده است، باید رد پای خود را روی آنها به میزان معکوس L* افزایش دهد.
اگر m تعداد مورچه ها و رو ماندگاری فرومون باشد، انگاه بروزرسانی مقدار trail بر اساس فرمول زیر خواهد بود
تعداد مورچه ها باید با تعداد شهرها یا مشتریها یکسان باشد و هر مورچه باید از شهری متفاوت راه خود را شروع کند.
بعد از مقداردهی های اولیه دو کار ساخت دور وسیله نقلیه و بروزرسانی رد پاها متوالی و به تعداد بار مشخصی اجرا می شوند.
فاز دوم ترکیب ACO با ۲-opt heuristic
پیاده سازی ۲opt-heuristic مدنظر است. دوری ۲opt نام دارد که با تعویض هیچ زوج راسی از آن، به دور بهتری دست پیدا نکنیم.
مقاله مرتبط با این پیاده سازی ضمیمه شده است. برای اطلاعات بیشتر می توانید به آن مراجعه نمایید: دانلود مقاله مرتبط
این پروژه به همراه توضیحات کامل کد و همچنین فیلم آموزشی از نحوه اجرای آن می باشد.فیلم های آموزشی به دلیل حجم بالا از فایل پروژه حذف شدند.دوستانی می توانند بعد از خرید محصول با تمایس به شماره ۰۹۱۱۷۹۸۳۷۰۹ فیلمها را نیز از طریق تلگرام دیافت نمایند.این پروژه با نرم افزار متلب پیاده سازی شده است و هر دو روش ذکر شده در بالا یعنی پیاده سازی مسئله VRP با روش ACO (الگوریتم کلونی مورچه ها) و پیاده سازی مسئله vrp با روش الگوریتم ژنتیک (GA) بصورت جداگانه کدنویسی و توضیح داده شده است که آن را می توانید در قالب یک فایل زیپ در سایت ما دانلود نمایید.
جهت پرداخت هزینه و دریافت فایل پروژه از طریق لینک خرید زیر اقدام نمایید.