ارائه یک مدل مکان یابی چند دوره ای p- هاب با در نظر گرفتن شبکه ناکامل بین هابی

در این تحقیق مسئله مکان یابی p- هاب میانه مورد بررسی قرار می گیرد که هدف آن تعیین نقاط هاب و تخصیص نقاط غیر هاب به نقاط انتخاب شده به عنوان هاب می باشد به گونه ای که هزینه کل حمل و نقل و ایجاد تسهیلات هاب کمینه گردد. مدل پیشنهادی به صورت چند دوره ای در نظر گرفته شده است که در آن تقاضاها به صورت دوره ای تغییر می کنند. دوره ها، به صورت گسسته و محدود در نظر گرفته شده است. مکان تسهیلات هاب در این مسئله ثابت فرض می شوند. همچنین برای تسهیلات هاب پس از پایان دوره، بازگشت سرمایه در نظر گرفته می شود. مقدار تابع هدف به صورت ارزش فعلی محاسبه می گردد. در این تحقیق، سعی شده مدلی ارائه شود که شبکه بین هابی را با در نظر گرفتن هزینه حمل و نقل بین نقاط به صورت گراف ناکامل تشکیل دهد به گونه ای که هزینه حمل و نقل کمینه گردد به این معنی که لزوماً نیازی به ارتباط مستقیم بین دو نقطه هاب وجود ندارد. مدل مزبور به لحاظ دشواری حل مسئله و ماهیت np-hard بودن آن و همچنین با توجه به در نظر گرفتن فرضیات مزبور سعی شده به گونه ای که کمترین متغیرها و محدودیت ها به مسئله تحمیل شود مدل شود. این مدل به صورت بر نامه ریزی غیر خطی باینری (صفر و یک) می باشد. همچنین برای کاهش تعدا متغیرهای مسئله، یک لم کاهشی ارائه شده است. به منظور حل مدل پیشنهادی با استفاده از حل کننده cplex توسط نرم افزار gams، آن را از فرم غیر خطی به فرم خطی تبدیل می کنیم. همچنین در این تحقیق برای حل مدل دو روش، یکی بر اساس الگوریتم شاخه و کران و دیگری بر اساس الگوریتم ژنتیک ارائه شده است. در الگوریتم شاخه و کران پیشنهادی، برای بدست آوردن حد پایین، از روش آزاد سازی لاگرانژ استفاده کرده و برای بهبود این کران پایین از یک روش اصلاح شده بهینه سازی زیر گرادیان بهره برده شده است. جمعیت در الگوریتم ژنتیک پیشنهادی شامل جمعیت اصلی و زیر جمعیت می باشد. که کروموزوم های استفاده شده در زیر جمعیت، نوعی کروموزوم به شکل ماتریس می باشد. این مدل با 80 مسئله نمونه که بر اساس مجموعه داده های cab تولید شده با استفاده از دو روش ارائه شده و همچنین حل کننده cplex حل شده و نتایج بدست آمده مورد بررسی قرار گرفته است. نتایج بدست آمده از مسائل نمونه با هم مقایسه شده و کارایی الگوریتم ژنتیک پیشنهادی نشان داده شده است. همچنین با توجه به نتایج بدست آمده، الگوریتم شاخه و کران پیشنهادی برای مسائل با اندازه بزرگ مناسب نمی باشد.