Optymalizacja lokalizacji centrów dystrybucyjnych z wykorzystaniem wielokryterialnego algorytmu genetycznego ɛ-NSGA-II

• Autorzy: Rudziński F. , Głuszek A. , Piekoszewski J.

Warianty tytułu

EN

An optimization of the logistic facilities location problem with the use of multi-objective genetic algorithm ɛ-NSGA-II

• Języki publikacji: PL

Abstrakty

PL

Praca przedstawia zastosowanie genetycznego algorytmu optymalizacji wielokryterialnej ɛ-NSGA-II (ang. Epsilon-Dominance Non-Dominated Sorted Genetic Algorithm) do rozwiązywania problemu rozmieszczenia centrów dystrybucyjnych w sieci dystrybucyjnej (logistycznej). Zastosowana technika optymalizacji umożliwia uzyskanie zestawu tzw. rozwiązań Pareto-optymalnych, reprezentujących różny poziom kompromisu pomiędzy przyjętymi kryteriami oceny. Wykorzystano model sieci dystrybucyjnej zorientowany na minimalizację całkowitego kosztu utrzymania sieci, minimalizację emisji dwutlenku węgla wydalanego przez silniki spalinowe do atmosfery oraz maksymalizację niezawodności usług transportowych. Rezultaty eksperymentów oraz analiza porównawcza proponowanego podejścia z alternatywną techniką, tj. hybrydową metodą ɛ -wymuszeń (ang. ɛ-constraint method) wykazały wysoką użyteczność algorytmu ɛ-NSGA-II w rozwiązywaniu tego rodzaju problemów oraz jej wyraźną przewagę nad konkurencyjna metodą.

EN

The paper presents an application of the multi-objective genetic algorithm ɛ-NSGA-II (Epsilon-Dominance Non-Dominated Sorted Genetic Algorithm) in the logistic facilities location problems. This technique allows to obtain a set of so-called Pareto-optimal solutions representing different levels of compromise between the criteria of their evaluation. A model of the distribution network used in the paper is focused on minimizing the total maintenance cost of the network, minimizing carbon emissions emitted by internal combustion engines into the atmosphere and maximizing the customer service reliability. The results of experiments and a comparative analysis of the proposed approach with an alternative technique, ie. hybrid ɛ-constraint method prove a high utility of ɛ-NSGA-II algorithm in solving this kind of problems. A distinct advantage of the approach over the alternative technique has been demonstrated as well.

Słowa kluczowe

PL

algorytm optymalizacji wielokryterialnej; sieć dystrybucyjna; rozwiązania Pareto-optymalne

EN

multiobjective genetic algorithm; Pareto optimal solution; logistic facilities

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 9223--9231
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., pełny tekst na CD3

Twórcy

autor

Rudziński F.

• Politechnika Świętokrzyska w Kielcach, Wydział Elektrotechniki, Automatyki i Informatyki; 43-300 Kielce; Al. 1000-lecia P.P. 7

autor

Głuszek A.

• Politechnika Świętokrzyska w Kielcach, Wydział Elektrotechniki, Automatyki i Informatyki; 43-300 Kielce; Al. 1000-lecia P.P. 7

autor

Piekoszewski J.

• Politechnika Świętokrzyska w Kielcach, Wydział Elektrotechniki, Automatyki i Informatyki; 43-300 Kielce; Al. 1000-lecia P.P. 7

Bibliografia

• 1. Deb K., Mohan M., Mishra S., A fast multi-objective evolutionary algorithm for finding wellspread Pareto-optimal solutions. KanGAL Report No. 2003002, 2003.
• 2. Deb K., Pratap A., Agarwal S., Meyarivan T., A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, nr 6(2), str. 182-197, 2002.
• 3. Gorzalczany M.B., Piekoszewski J., Rudzinski F., Generalized Tree-Like Self-Organizing Neural Networks with Dynamically Defined Neighborhood for Cluster Analysis. Lecture Notes in Artificial Intelligence, nr 8468, str. 713-725, 2014.
• 4. Gorzalczany M.B., Rudzinski F., Accuracy vs. Interpretability of Fuzzy Rule-Based Classifiers: An Evolutionary Approach. Lecture Notes in Computer Science, nr 7269, str. 222-230, 2012.
• 5. Gorzałczany M. B., On some idea of a neuro-fuzzy controller. Information Sciences, nr 120, str. 69-87, 1999.
• 6. Gorzałczany M. B., Piasta Z., Neuro-fuzzy approach versus rough-set inspired methodology for intelligent decision support. Information Sciences, nr 120, str. 45-68, 1999.
• 7. Kollat J. B., Reed P. M., Comparing state-of-the-art evolutionary multi-objective algorithms for long-term groundwater monitoring design. Advances in Water Resources, nr 29, str. 792–807, 2006.
• 8. Murata T., Ishibuchi H., MOGA: multi-objective genetic algorithms. IEEE International Conference on Evolutionary Computation, nr 1, 1995.
• 9. Sharma S., Ukkusuri S. V., Mathew T. V., Pareto optimal multiobjective optimization for robust transportation network design problem. Transportation Research Record: Journal of the Transportation Research Board, nr 2090, str. 95-104, 2009.
• 10. Tang Xifeng, Zhang Ji, Xu Peng, A multi-objective optimization model for sustainable logistics facility location. Transportation Research Part D, nr 22, 2013, str. 45-48.