ﭼﻜﻴﺪه:اﻳﻦ ﺗﺤﻘﻴﻖ روش اﻛﺘﺸﺎﻓﻲ ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﺑﻪ ﻣﻨﻈﻮر دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻣﺸﻜﻼت ﻣﺴﻴﺮ ﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ.اﻳﻦ دﺳﺘﻮر اﻟﻌﻤﻞ ،ﻓﺮآﻳﻨﺪﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي را را ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﻛﻨﺪ ﺑﺮاي ﻣﺜﺎل آﻧﻬﺎ ﺑﺮاي ﺑﻪ دﺳﺖ آوردن ﻏﺬا ﺗﻼش ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ ﺷﺒﻴﻪ اﺳﺖ ﺑﻪ ﻳﺎدﮔﻴﺮي ﺳﺎزﮔﺎري آﻧﻬﺎ و ﻣﻬﺎرت ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ از ﻗﺒﻴﻞ ﺟﺴﺘﺠﻮي ﻣﻤﻨﻮﻋﻪ ،ﻧﻮرد ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه و اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ .اﻳﻦ ﺗﻐﻴﻴﺮ و ﺗﺒﺪﻳﻼت اﻟﮕﻮرﻳﺘﻢ ACOرا ﻣﻲ ﺳﺎزﻧﺪ ﻛﻪ ﺑﺮاي ﺣﻞ ﻛﺮدن ﻣﺴﺎﺋﻞ ﻓﺮوﺷﻨﺪه ي دوره ﮔﺮد ﺑﺎ اﺳﺘﻔﺎده از ﻣﺴﻴﺮﻫﺎي ﭼﻨﺪﮔﺰﻳﻨﻪ اي در VRPﺑﻪ ﻛﺎر ﻣﻲ رود .ﺗﺠﺮﺑﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﻟﮕﻮرﻳﺘﻢ ،در ﭘﻴﺪا ﻛﺮدن راه ﺣﻞ ﺑﺎ اﺧﺘﻼف %1راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻌﻠﻮم ﻣﻮﻓﻖ اﺳﺖ و اﻟﮕﻮرﻳﺘﻢ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ﺑﺎ ﻓﺮاﻫﻢ ﺳﺎزي ﺗﻜﻨﻴﻚ ﻫﺎي ﻣﺨﺼﻮص ﺟﻮاب ،ﺑﺮاي ﻣﺴﺎﺋﻞ ﺑﺰرﮔﺘﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد .وﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي دﻳﮕﺮ ﻗﺎﺑﻞ رﻗﺎﺑﺖ اﺳﺖ .ﺑﻪ ﻋﻼوه اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻛﻪ در اﻟﮕﻮرﻳﺘﻢ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ،ﻳﻚ ﻋﺎﻣﻞ ﻣﻬﻢ در ﺑﻬﺒﻮد ﺟﻮاب ﻣﻲ ﺑﺎﺷﺪ و زﻣﺎن اﻧﺠﺎم اﻟﮕﻮرﻳﺘﻢ ﺑﺎ دﻳﮕﺮ روش ﻫﺎ ﻗﺎﺑﻞ ﻣﻘﺎﻳﺴﻪ و رﻗﺎﺑﺖ اﺳﺖ. ﻛﻠﻤﺎت ﻛﻠﻴﺪي :ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ،ﻣﺴﻴﺮ ﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ،ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺣﻤﻞ و ﻧﻘﻞ ، ﺑﻬﻨﻪ ﺳﺎزي ﺗﺮﻛﻴﺒﻲ ) ،راه ﺣﻞ ﻫﺎي ( اﺑﺘﻜﺎري ،ﺑﻬﻴﻨﻪ ﺳﺎزي -1ﻣﻘﺪﻣﻪ :ﻳﺎﻓﺘﻦ ﻣﺴﻴﺮﻫﺎي ﻣﻮﺛﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻳﻚ ﻣﺴﺄﻟﻪ ﻟﻮﺟﺴﺘﻴﻚ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﺮاي ﭼﻨﺪﻳﻦ دﻫﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ .وﻗﺘﻲ ﻛﻪ ﻳﻚ ﺷﺮﻛﺖ ﻗﺎدر ﺑﻪ ﻛﺎﻫﺶ ﻃﻮل راه ﺗﺤﻮﻳﻞ ﺑﺎﺷﺪ ﻳﺎ ﻗﺎدر ﺑﻪ ﻛﺎﻫﺶ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﺑﺎﺷﺪ ،آن ﺷﺮﻛﺖ ﺧﺪﻣﺎت ﺑﻬﺘﺮي را ﺑﺮاي ﻣﺸﺘﺮﻳﺎن ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ .راه ﻣﻮﺛﺮﺗﺮي را ﺑﻪ ﻛﺎر ﻣﻲ ﮔﻴﺮد و اﺣﺘﻤﺎﻻ ﺳﻬﻢ ﺑﺎزار آن اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ .ﻳﻚ ﻧﻮع ﻣﺸﻜﻞ ﻣﺴﻴﺮﻫﺎي وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ،ﺷﺎﻣﻞ ﺗﻌﻴﻴﻦ ﻫﻢ زﻣﺎن ﻣﺴﻴﺮ ﺑﺮاي ﭼﻨﺪﻳﻦ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ از ﻳﻚ ﻣﺨﺰن ﺗﺄﻣﻴﻦ ﻣﺮﻛﺰي ﺑﻪ ﭼﻨﺪﻳﻦ ﻣﺸﺘﺮي و ﺑﺎزﮔﺸﺖ ﺑﻪ اﻧﺒﺎر ﺑﺪون ﺗﺠﺎوز از ﻣﺤﺪودﻳﺖ ﮔﻨﺠﺎﻳﺶ ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ اﺳﺖ. اﻳﻦ ﻣﺸﻜﻞ ﻣﻬﻢ اﻗﺘﺼﺎدي در ﺗﺠﺎرت اﺳﺖ .زﻳﺮا زﻣﺎن و ﻫﺰﻳﻨﻪ ﺑﻪ ﻫﻢ واﺑﺴﺘﻪ اﻧﺪ و ﺑﺎ ﻓﺮاﻫﻢ ﻛﺮدن ﻧﺎوﮔﺎن وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺑﻪ ﻣﻨﻈﻮر اﻧﺘﻘﺎل ﻣﺤﺼﻮل ﺑﻪ ﻣﺠﻤﻮﻋﻪ اي از ﻣﺸﺘﺮﻳﺎن ﻛﻪ از ﻟﺤﺎظ ﺟﻐﺮاﻓﻴﺎﻳﻲ ﭘﺮاﻛﻨﺪه اﻧﺪ ،اﻓﺰاﻳﺶ ﻣﻲ
ﻳﺎﺑﻨﺪ .ﺑﻪ ﻋﻼوه ﭼﻨﻴﻦ ﻣﺸﻜﻼﺗﻲ در ﺑﺨﺶ ﻋﻤﻮﻣﻲ ﻣﻬﻢ ﻫﺴﺘﻨﺪ .ﺟﺎﻳﻲ ﻛﻪ ﻣﺴﻴﺮ وﺳﺎﻳﻞ ﻧﻘﻴﻪ ﻣﻲ ﺑﺎﻳﺴﺖ ﺑﺮاي ﺳﻴﺴﺘﻢ ﻫﺎي اﺗﻮﺑﻮس ) ﺣﻤﻞ و ﻧﻘﻞ ﻋﻤﻮﻣﻲ( ،ﺣﻤﻞ و ﻧﻘﻞ ﭘﺴﺖ و دﻳﮕﺮ ﺧﺪﻣﺎت ﻋﻤﻮﻣﻲ ﺣﻤﻞ و ﻧﻘﻞ ﺗﻌﻴﻴﻦ ﮔﺮدد .در ﻫﺮ ﻳﻚ از ﻣﻮارد ذﻛﺮ ﺷﺪه ،ﻣﺸﻜﻞ ﻧﻮﻋﻲ درﮔﻴﺮ ﻳﺎﻓﺘﻦ ﻣﺴﻴﺮﻫﺎي ﺗﺮﻛﻴﺒﻲ ﺑﺎ ﻛﻤﺘﺮﻳﻦ ﻫﺰﻳﻨﻪ ﺑﺮاي ﺗﻌﺪاد ﻣﺸﺨﺼﻲ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺑﻪ ﻣﻨﻈﻮر آﺳﺎن ﻛﺮدن ﺗﺤﻮﻳﻞ از ﻣﻜﺎن ﺗﺄﻣﻴﻦ ﻛﻨﻨﺪه ﺑﻪ ﻣﻜﺎن ﻣﺸﺘﺮي ﻣﻲ ﺑﺎﺷﺪ. از آﻧﺠﺎﻳﻴﻜﻪ ﻫﺰﻳﻨﻪ راﺑﻄﻪ ﺗﻨﮕﺎﺗﻨﮕﻲ ﺑﺎ ﻣﺴﺎﻓﺖ دارد .ﻳﻚ ﺷﺮﻛﺖ ﺑﻪ ﻣﻨﻈﻮر ﺟﻠﺐ رﺿﺎﻳﺖ ﻣﺸﺘﺮي ،ﺑﺮاي ﻳﺎﻓﺘﻦ راﻫﻬﺎ ﺑﺎ ﻣﺴﺎﻓﺖ ﻛﻤﺘﺮ ،ﺑﺎ ﻳﻚ ﺗﻌﺪاد وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﺗﻼش ﻣﻲ ﻛﻨﺪ .ﺑﻨﺎﺑﺮاﻳﻦ ﺷﺮﻛﺖ ﺗﻼش ﻣﻲ ﻛﻨﺪ ﺑﺎ ﻛﺎﻫﺶ ﻫﺰﻳﻨﻪ ﻫﺎ ،ﺑﻪ اﻓﺰاﻳﺶ ﻳﺎ ﻻاﻗﻞ ﻧﮕﻬﺪاري ﺳﻄﺢ ﻣﻮرد اﻧﺘﻈﺎر ﺧﺪﻣﺎت ﻣﺸﺘﺮﻳﺎن دﺳﺖ ﻳﺎﺑﺪ. ﻓﺮآﻳﻨﺪ اﻧﺘﺨﺎب ﻣﺴﻴﺮﻫﺎ اﺟﺎزه ي اﻧﺘﺨﺎب ﻫﺮ ﺗﺮﻛﻴﺒﻲ از ﻣﺸﺘﺮﻳﺎن در ﺗﻌﻴﻴﻦ ﻣﺴﻴﺮ ﺗﺤﻮﻳﻞ ﺑﺮاي ﻫﺮ ﺗﻌﺪاد از وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ را ﻣﻲ دﻫﺪ .ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺸﻜﻞ ﻣﺴﻴﺮﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﻳﻚ ﻣﺸﻜﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي ﺗﺮﻛﻴﺒﻲ اﺳﺖ .در ﺟﺎﻳﻲ ﻛﻪ ﺗﻌﺪاد راه ﺣﻞ ﻫﺎي ﻣﻤﻜﻦ ﺑﺮاي ﻣﺸﻜﻞ ،ﺗﻌﺮﻳﻔﺄ ﺑﺎ ﺗﻌﺪاد ﻣﺸﺘﺮﻳﺎن ﺳﺮوﻳﺲ داده ﺷﺪه اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ. ﺑﻪ ﻋﻼوه VRPراﺑﻄﻪ ﻧﺰدﻳﻜﻲ ﺑﺎ ﻣﺴﺎﺋﻞ ﻓﺮوﺷﻨﺪه دوره ﮔﺮد دارد در ﺟﺎﻳﻲ ﻛﻪ ﺧﺮوج و ﺑﺎزﮔﺸﺖ ﺳﻔﺮ ﺑﺮاي ﻫﺮ ﻳﻚ از وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ از ﻳﻚ ﻣﻜﺎن ﻣﺮﻛﺰي ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ .از آﻧﺠﺎﻳﻲ ﻛﻪ اﻟﮕﻮرﻳﺘﻢ ﭼﻨﺪ ﻓﺮﻣﻮﻟﻲ ﻛﻪ راه ﺣﻞ ﻣﻄﻠﻮب را در ﻫﺮ ﻣﻮردي ﭘﻴﺪا ﻛﻨﺪ ،وﺟﻮد ﻧﺪارد ،ﻣﺴﺎﺋﻞ ﻣﺴﻴﺮﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻴﻪ ﺑﻪ ﻋﻨﻮان NP-hardﻣﻄﺮح ﻣﻲ ﺷﻮد.ﺑﺮاي ﭼﻨﻴﻦ ﻣﺸﻜﻼﺗﻲ ﺑﻪ ﻛﺎرﮔﻴﺮي روش اﺑﺪاﻋﻲ ﺑﻪ ﻋﻨﻮان ﻳﻚ روﻳﻜﺮد ﻣﻌﻘﻮل در ﻳﺎﻓﺘﻦ ﺟﻮاب ﻣﻄﺮح ﻣﻲ ﺷﻮد .و اﻳﻦ ﻣﻘﺎﻟﻪ از ﻧﮕﺮش ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﺑﻪ ﻣﻨﻈﻮر ﻳﺎﻓﺘﻦ راه ﺣﻞ در VRPاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ. ACOرﻓﺘﺎر اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي در ﻃﺒﻴﻌﺖ را ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﻛﻨﺪ .ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل آﻧﻬﺎ ﺑﺮاي ﺑﻪ دﺳﺖ آوردن ﻏﺬا ﺗﻼش ﻣﻲ ﻛﻨﻨﺪ و راﻫﻬﺎي ﻣﻮﺛﺮﺗﺮي از ﻻﻧﻪ ﺷﺎن ﺗﺎ ﻣﻨﺒﻊ ﻏﺬا ﻣﻲ ﻳﺎﺑﻨﺪ .ﻓﺮآﻳﻨﺪﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻮرﭼﻪ ﻫﺎ در اﻟﮕﻮرﻳﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﻲِ ﮔﺮوه ﻣﻮرﭼﻪ ﻫﺎي ﻣﺠﺎزي ﺟﺎﺳﺎزي ﺷﺪه ﻛﻪ ﺑﺮاي ﺗﻬﻴﻪ ي راه ﺣﻞ ﻫﺎي VRPاﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد .اﻳﻦ ﻧﮕﺮش ،ﻣﻨﺎﺳﺐ اﺳﺖ .زﻳﺮا آن راه ﺣﻞ ﻫﺎﻳﻲ را ﺑﺮاي ﻣﺴﺎﺋﻞ ﻣﻬﻢ در ﻋﻠﻢ
ﺣﻤﻞ و ﻧﻘﻞ ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ .و ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﻧﺠﺎم اﻳﻦ روش ﺑﺎ روش ﻫﺎي دﻳﮕﺮي ﻛﻪ در اﻳﺠﺎد راه ﺣﻞ ﺑﺮاي VRPﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ ،ﻗﺎﺑﻞ رﻗﺎﺑﺖ اﺳﺖ. -2ﻣﺴﺎﺋﻞ ﻣﺴﻴﺮﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ) VRP : (VRPﻣﺴﺎﻟﻪ ﻣﻬﻤﻲ در زﻣﻴﻨﻪ ﺗﻮزﻳﻊ و ﺗﺪارك از اواﻳﻞ ﺳﺎل 1960ﻣﻲ ﺑﺎﺷﺪ VRP .در ﻣﻮرد ﻳﺎﻓﺘﻦ ﻛﻤﺘﺮﻳﻦ ﻣﺴﺎﻓﺖ ﻳﺎ ﻫﺰﻳﻨﻪ ﻣﺮﺑﻮط ﺑﻪ ﻣﺴﻴﺮﻫﺎي ﺗﺮﻛﻴﺒﻲ ﺑﺎ ﺗﻌﺪاد Mوﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻛﻪ ﺑﺎﻳﺪ Nﻣﺸﺘﺮي را ﺳﺮوﻳﺲ ﻛﻨﺪ،ﺷﺮح ﻣﻲ دﻫﺪ .ﺑﻪ ﻃﻮر رﻳﺎﺿﻲ وار اﻳﻦ ﺳﻴﺴﺘﻢ ﻳﻚ ﮔﺮاف وزن دار ) G=(V, A,dﻣﻲ ﺑﺎﺷﺪ ﻛﻪ رأس ﻫﺎ ﺑﺎ } V={v0,v1,.,vnﻧﺸﺎن داده ﻣﻲ ﺷﻮد .و ﻛﻤﺎن ﻫﺎ ﺑﺎ } A={(vi, vj): i≠ jﻧﺸﺎن داده ﻣﻲ ﺷﻮد. اﻧﺒﺎر ﻣﺮﻛﺰي ﻛﻪ ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻣﺴﻴﺮ ﺧﻮدش را از آﻧﺠﺎ ﺷﺮوع ﻣﻲ ﻛﻨﺪ vo ،ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد .و رأس ﻫﺎي دﻳﮕﺮ ﻧﺸﺎن دﻫﻨﺪه nﺗﺎ ﻣﺸﺘﺮي ﻫﺴﺘﻨﺪ . .ﻣﺴﺎﻓﺖ ﺑﻪ ﻫﺮ ﻛﻤﺎن واﺑﺴﺘﻪ اﺳﺖ ﻛﻪ ﺑﺎ ﻣﺘﻐﻴﺮ dijﻧﺸﺎن داده ﻣﻲ ﺷﻮد .و ﺑﺎ اﺳﺘﻔﺎده از ﻣﺤﺎﺳﺒﺎت اﻗﻠﻴﺪﺳﻲ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﮔﺮدد .ﻫﺮ ﻣﺸﺘﺮي ﻳﻚ ﺳﺮي ﺧﻮاﺳﺘﻪ ﻫﺎي ﻧﺎﻣﻨﻔﻲ qi ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ .و ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻳﻚ ﻣﺤﺪودﻳﺖ ﮔﻨﺠﺎﻳﺶ Qدارد .ﻣﺴﺄﻟﻪ ﺗﺤﺖ ﺷﺮاﻳﻂ زﻳﺮﺣﻞ ﻣﻲ ﮔﺮدد.: * ﻫﺮ ﻣﺸﺘﺮي ﻫﺮ دﻓﻌﻪ ﺗﻨﻬﺎ ﺑﺎ ﻳﻚ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ وﻳﺰﻳﺖ ﻣﻲ ﺷﻮد. * ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺑﺎﻳﺪ ﺷﺮوع و ﭘﺎﻳﺎن ﻣﺴﻴﺮش ﺑﻪ اﻧﺒﺎر ) (voﺑﺎﺷﺪ. * ﻫﻤﻪ ي ﺗﻘﺎﺿﺎﻫﺎي ﻛﻪ ﺳﺮوﻳﺲ ﻣﻲ ﺷﻮﻧﺪ ﮔﻨﺠﺎﻳﺶ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ آن از ﻣﻘﺪار Qﻧﻤﻲ ﺗﻮاﻧﺪ ﺗﺠﺎوز ﻛﻨﺪ . ﺑﻪ ﻋﻼوه ﻣﺸﻜﻞ ﻣﻤﻜﻦ اﺳﺖ ﻣﺴﺎﻓﺖ اﺟﺒﺎري ﺑﺎ ﺗﻌﻴﻴﻦ ﺑﻴﺸﺘﺮﻳﻦ ﻃﻮل ﻣﺴﻴﺮ ) (Lmﺑﺎﺷﺪ .ﻛﻪ ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺷﺎﻳﺪ ﮔﻨﺠﺎﻳﺶ آن ﺗﺠﺎوز ﻧﻜﻨﺪ .اﻳﻦ ﺣﺪاﻛﺜﺮ ﻃﻮل ﻣﺴﻴﺮ ﺷﺎﻣﻞ ﻣﺴﺎﻓﺖ ﺳﺮوﻳﺲ ) dﺗﺮﺟﻤﻪ از زﻣﺎن ﺳﺮوﻳﺲ( ﺑﺮاي ﻫﺮ ﻣﺸﺘﺮي در ﻃﻮل ﻣﺴﻴﺮ ﻧﻴﺰ ﻣﻲ ﺑﺎﺷﺪ .ﺑﺮاي ﻣﺜﺎل ﺟﻮاﺑﻲ ﺷﺎﻣﻞ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﺴﻴﺮ ﻫﺎي اﻳﺠﺎد ﺷﺪه ﺑﺮاي ﻧﻮﻋﻲ VRPدر ﺗﺼﻮﻳﺮ 1اراﺋﻪ ﺷﺪه اﺳﺖ .ﺟﺎﻳﻲ ﻛﻪ m=3و n=10اﺳﺖ .در اﻳﻨﺠﺎ VRPﻋﻤﺪأ ﻣﺘﻘﺎرن اﺳﺖ از آﻧﺠﺎﻳﻴﻜﻪ dij=djiﺑﺮاي ﻫﻤﻪ ي iو jﻫﺎ.
ﮔﺴﺘﺮه وﺳﻴﻊ ﺗﺤﻘﻴﻘﺎت ﻛﻪ ﺑﺮ روي VRPاﻧﺠﺎم ﺷﺪه ﺷﺎﻣﻞ روش ﻫﺎي اﺑﺘﻜﺎري ﭘﻴﺸﺮﻓﺘﻪ از ﻗﺒﻴﻞ ﺟﺴﺘﺠﻮي ﻣﻤﻨﻮﻋﻪ و ﻧﻮرد ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه اﺳﺖ .ﮔﺴﺘﺮه ﻛﻤﻲ ﺗﺤﻘﻴﻘﺎت در ﻣﻮرد VRPاز ACOﻫﻤﺮاه ﺑﺎ ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ و رﺗﺒﻪ ﺑﻨﺪي ﻓﻨﻮن ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ﺗﻮاﻧﺎﻳﻲ ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي واﺣﺪ اﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد .در اﻳﻦ ﺗﺤﻘﻴﻖ از ﺟﺎﻣﻌﻪ ي ﻣﻮرﭼﮕﺎن ﭼﻨﺪﮔﺎﻧﻪ و ﺗﺠﺮﺑﻴﺎﺗﻲ ﺑﻪ وﺳﻴﻠﻪ ي اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻣﺨﺘﻠﻒ ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ﻳﺎﻓﺘﻦ ﺗﻮاﻧﺎﻳﻲ ACOاﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد .ﺗﺎ ﻣﻮارد VRPﺣﻞ ﺷﻮد. ﺗﺼﻮﻳﺮ : 1ﻧﻤﻮﻧﻪ ﺟﻮاب – ﻣﺴﺎﺋﻞ ﻣﺴﻴﺮ ﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ
-3ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي: ACOﻗﺴﻤﺘﻲ از رﺷﺘﻪ وﺳﻴﻊ ﻫﻮش ﮔﺮوﻫﻲ ﻣﻲ ﺑﺎﺷﺪ .ﻣﺘﺨﺼﺼﻴﻦ در ﻣﻮرد اﻟﮕﻮﻫﺎي رﻓﺘﺎري زﻧﺒﻮرﻫﺎ، ﻣﻮرﻳﺎﻧﻪ ﻫﺎ ،ﻣﻮرﭼﻪ ﻫﺎ و دﻳﮕﺮ ﺣﺸﺮاﺗﻲ ﻛﻪ ﺑﻪ ﺻﻮرت ﮔﺮوﻫﻲ زﻧﺪﮔﻲ ﻣﻲ ﻛﻨﻨﺪ ،ﻣﻄﺎﻟﻌﻪ ﻣﻲ ﻛﻨﻨﺪ .ﺗﺎ ﻓﺮآﻳﻨﺪﻫﺎي آﻧﻬﺎ را ﺷﺒﻴﻪ ﺳﺎزي ﻛﻨﻨﺪ. ﺗﻮاﻧﺎﻳﻲ ﺣﺸﺮاﺗﻲ ﻛﻪ ﺑﻪ ﺻﻮرت ﮔﺮوﻫﻲ زﻧﺪﮔﻲ ﻣﻲ ﻛﻨﻨﺪ ،ﭘﻴﺸﺮﻓﺖ در ﻃﺒﻴﻌﺖ و اﻧﺠﺎم دادن وﻇﺎﻳﻒ ﻣﺨﺘﻠﻂ ﺑﺮاي ﺑﻘﺎ ﻣﻲ ﺑﺎﺷﺪ .ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ داﻧﺸﻤﻨﺪان ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﻛﺎﻣﭙﻴﻮﺗﺮي ﭘﻴﺸﺮﻓﺘﻪ اي ﻧﻴﺎز دارﻧﺪ ﺗﺎ
ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪه ﻣﺎﻧﻨﺪ آن را ﺣﻞ ﻧﻤﺎﻳﻨﺪ .اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﻲ از ﻗﺒﻴﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﺑﺮاي ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي ﺗﺮﻛﻴﺒﻲ وﺳﻴﻊ ﺑﻪ ﻛﺎر ﻣﻲ رود و ﺑﻪ ﻣﻨﻈﻮر اﻳﺠﺎد روش ﻫﺎي ﺧﻮد ﺳﺎزﻣﺎن دﻫﻲ ﺑﺮاي ﭼﻨﻴﻦ ﻣﺸﻜﻼﺗﻲ اﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد. ACOﻳﻚ ﺷﻴﻮه اﺑﺘﻜﺎري اﺳﺖ ﻛﻪ ﻣﻮرﭼﻪ ﻫﺎي ﻓﺮي ﺑﺮاي ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪ ﺳﺎزي ﺗﺮﻛﻴﺒﻲ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ ACO .ﻣﺒﻨﻲ ﺑﺮ رﻓﺘﺎر واﻗﻌﻲ ﻣﻮرﭼﻪ ﻫﺎ اﺳﺖ .و داراي ﺗﻮاﻧﺎﻳﻲ زﻳﺎد و ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ از ﻗﺒﻴﻞ ﻓﻌﺎﻟﻴﺖ ﻫﺎي ﮔﺬﺷﺘﻪ ي ﺣﺎﻓﻈﻪ و آﮔﺎﻫﻲ در ﻣﻮرد ﻣﺴﺎﻓﺖ و ﺳﻔﺮ ﺑﻪ ﻣﻜﺎن ﻫﺎي دﻳﮕﺮ ﻣﻲ ﺑﺎﺷﺪ .در ﻃﺒﻴﻌﺖ ﻫﺮ ﻣﻮرﭼﻪ ﺑﻪ ﺗﻨﻬﺎﻳﻲ ﻗﺎدر ﻧﻴﺴﺖ ﻛﻪ ارﺗﺒﺎط ﺑﺮﻗﺮار ﻛﻨﺪ ﻳﺎ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ ﺑﺮاي ﻏﺬا ﺟﺴﺘﺠﻮ ﻛﻨﺪ .اﻣﺎ ﭼﻨﺎﻧﭽﻪ ﻳﻚ ﮔﺮوه ﺑﺎﺷﺪ ،ﻣﻮرﭼﻪ ﻫﺎ داراي ﺗﻮاﻧﺎﻳﻲ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪه و ﻳﺎﻓﺘﻦ و ﺟﻤﻊ آوري ﻏﺬا ﺑﻪ ﻃﻮر ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ ﺑﺮاي ﻛﻠﻮﻧﻲ ﻫﺎي ﺷﺎن ﻫﺴﺘﻨﺪ .ﻣﻮرﭼﻪ ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻳﻚ ﻣﺎده ﺷﻴﻤﻴﺎﻳﻲ ﺑﻪ ﻧﺎم ﻓﺮوﻣﻮن ﺑﺎ ﻳﻜﺪﻳﮕﺮ ارﺗﺒﺎط ﺑﺮﻗﺮار ﻣﻲ ﻛﻨﻨﺪ .ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻫﺮ ﻣﻮرﭼﻪ راه ﻣﻲ رود ،ﻣﻘﺪار ﺛﺎﺑﺘﻲ ﻓﺮوﻣﻮن ﺑﺎﻗﻲ ﻣﻲ ﮔﺬارد ﺗﺎ ﻣﻮرﭼﻪ ﻫﺎي دﻳﮕﺮ ﺑﺘﻮاﻧﻨﺪ او را ﺗﻌﻘﻴﺐ ﻛﻨﻨﺪ .ﻫﺮ ﻣﻮرﭼﻪ ﺑﻪ روش ﺗﺎ ﺣﺪي ﺗﺼﺎدﻓﻲ ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﺪ اﻣﺎ وﻗﺘﻲ ﻛﻪ ﺑﺎ ﻓﺮوﻣﻮﻧﻲ ﻛﻪ در ﻳﻚ ﻣﺴﻴﺮِ رﻳﺨﺘﻪ ﺷﺪه ،ﻣﻮاﺟﻪ ﻣﻲ ﮔﺮدد ،ﺗﺼﻤﻴﻢ ﺑﻪ ﺗﻌﻘﻴﺐ ﻣﺴﻴﺮ آن ﻣﻲ ﻛﻨﺪ .اﮔﺮ ﻣﻮرﭼﻪ ﻣﺴﻴﺮ را دﻧﺒﺎل ﻛﻨﺪ ،ﻓﺮوﻣﻮن ﺧﻮد ﻣﻮرﭼﻪ ،ﻣﺴﻴﺮ ﺣﺎﺿﺮ را ﺗﻘﻮﻳﺖ ﻣﻲ ﻛﻨﺪ .و اﻓﺰاﻳﺶ ﻓﺮوﻣﻮن ﻣﺴﻴﺮ ،ﺷﺎﻧﺲ اﻧﺘﺨﺎب ﻣﺴﻴﺮ ﺑﺮاي ﻣﻮرﭼﻪ ﺑﻌﺪي را اﻓﺰاﻳﺶ ﻣﻲ دﻫﺪ .ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻮرﭼﻪ ﻫﺎي ﺑﻴﺸﺘﺮي ﻛﻪ ﺑﺮ روي اﻳﻦ ﻣﺴﻴﺮ راه ﻣﻲ روﻧﺪ ،ﺑﺎﻋﺚ ﺟﺬب ﺑﻴﺸﺘﺮ ﻣﺴﻴﺮ ﺑﺮاي ﻣﻮرﭼﻪ ﻫﺎي ﺑﻌﺪي ﻣﻲ ﺷﻮﻧﺪ .ﺑﻪ ﻋﻼوه ﻫﺮ ﻣﻮرﭼﻪ اي ﻛﻪ از ﻳﻚ ﻣﺴﻴﺮ ﻛﻮﺗﺎه ﺗﺎ ﻣﻨﺒﻊ ﻏﺬا اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ زودﺗﺮ ﺑﻪ ﻻﻧﻪ ﺑﺮﺧﻮاﻫﺪ ﮔﺸﺖ .ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺴﻴﺮ ﺧﻮد را دو ﺑﺎر ﻋﻼﻣﺖ ﮔﺬاري ﻣﻲ ﻛﻨﺪ ﻗﺒﻞ از اﻳﻨﻜﻪ ﻣﻮرﭼﻪ ﻫﺎي دﻳﮕﺮي ﺑﺮﮔﺮدﻧﺪ. .اﻳﻦ اﻣﺮ ﻣﺴﺘﻘﻴﻤﺄ ﺑﺮ روي اﺣﺘﻤﺎل اﻧﺘﺨﺎب ﺑﺮاي ﻣﻮرﭼﻪ ﺑﻌﺪي ﻛﻪ ﻻﻧﻪ ا ش را ﺗﺮك ﻣﻲ ﻛﻨﺪ ،ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد .ﭘﺲ از ﻣﺪﺗﻲ ﺑﻴﺸﺘﺮ ﻣﻮرﭼﻪ ﻫﺎ ﻗﺎدر ﺑﻪ ﺗﻜﻤﻴﻞ ﻣﺴﻴﺮ ﻛﻮﺗﺎﻫﺘﺮ ﻫﺴﺘﻨﺪ .ﻓﺮوﻣﻮن ،ﺑﻴﺸﺘﺮ و ﺳﺮﻳﻊ ﺗﺮ روي ﻣﺴﻴﺮ ﻛﻮﺗﺎه اﻧﺒﺎﺷﺘﻪ ﻣﻲ ﺷﻮد و ﻣﺴﻴﺮ ﻫﺎي ﻃﻮﻻﻧﻲ ﻛﻤﺘﺮ ﺗﻘﻮﻳﺖ ﻣﻲ ﺷﻮﻧﺪ .ﺗﺒﺨﻴﺮ ﻓﺮوﻣﻮن ﻧﻴﺰ ﻣﺴﻴﺮﻫﺎي را ﻛﻪ ﺑﺮاي ﻳﺎﻓﺘﻦ ،دﺷﻮارﺗﺮ ﻫﺴﺘﻨﺪ ،ﺑﺎ ﻣﻄﻠﻮﺑﻴﺖ ﻛﻤﺘﺮي اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ و ﺑﺎﻋﺚ ﻛﺎﻫﺶ
اﺳﺘﻔﺎده آﻧﻬﺎ ﻣﻲ ﮔﺮدد .ﻫﺮ ﭼﻨﺪ ،اداﻣﻪ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ ﻣﺴﻴﺮﻫﺎ ﺑﻪ وﺳﻴﻠﻪ ي ﻫﺮ ﻣﻮرﭼﻪ ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻛﻮﻟﻮﻧﻲ ﻫﺎ ﻣﺴﻴﺮﻫﺎي ﻣﺘﻔﺎوﺗﻲ را ﺑﻴﺎﺑﻨﺪ و ﺣﻤﻞ و ﻧﻘﻞ ﻣﻮﻓﻖ در اﻃﺮاف ﻣﻮاﻧﻌﻲ ﻛﻪ ﻣﺴﻴﺮ را ﺟﺪا ﻣﻲ ﻛﻨﺪ ، ﺿﻤﺎﻧﺖ ﻣﻲ ﻛﻨﺪ .اﻧﺘﺨﺎب ﻣﺴﻴﺮ ﺗﻮﺳﻂ ﻣﻮرﭼﻪ ﻫﺎ ،ﻳﻚ ﻓﺮاﻳﻨﺪ ﺑﻪ ﻧﺴﺒﺖ ﺷﺒﻴﻪ ﺗﺼﺎدﻓﻲ اﺳﺖ و ﻋﻨﺼﺮ ﻛﻠﻴﺪي اﻟﮕﻮرﻳﺘﻢ ﺷﺒﻴﻪ ﺳﺎزي در ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي اﺳﺖ .ﺗﺸﺮﻳﺢ ﺟﺰﺋﻴﺎت رﻓﺘﺎر ﻣﻮرﭼﻪ اي در ﻣﻮرد ACOدر ] [11,12ﻳﺎﻓﺖ ﻣﻲ ﺷﻮد. ﺟﺎﻣﻌﻪ ي ﻣﻮرﭼﮕﺎن در اﺑﺘﺪا ﺑﺮاي ﻣﺴﺎﺋﻞ ﻓﺮوﺷﻨﺪه دوره ﮔﺮد و ﻣﺴﺎﺋﻞ ﺗﺨﺼﻴﺺ درﺟﻪ دوم ﺑﻪ ﻛﺎر ﻣﻲ رﻓﺖ اﻣﺎ ﭘﺲ از ﻣﺪﺗﻲ ﺑﺮاي ﻣﺴﺎﺋﻞ دﻳﮕﺮي از ﻗﺒﻴﻞ ﻣﺴﺎﺋﻞ ﺑﺮﻧﺎﻣﻪ رﻳﺰي دوره اي ،ﻣﺴﺎﺋﻞ دﻳﺮﻛﺮد اﺑﺰار ﻣﺎﺷﻴﻨﻲ و ﻣﺴﺎﺋﻞ ﺗﺮﺗﻴﺐ ﮔﺬاري ﺻﺤﻴﺢ اﻫﺪاف ﭼﻨﺪﮔﺎﻧﻪ ﻧﻴﺰ ﺑﻪ ﻛﺎر رﻓﺖ.
-4روش اﺑﺘﻜﺎري ACOﺑﺮاي ﻣﺴﻴﺮ ﻳﺎﺑﻲ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ: :1.4ﺳﺎﺧﺘﻦ ﻣﺴﻴﺮ :ﺑﺎ اﺳﺘﻔﺎده از ، ACOﻫﺮ ﻣﻮرﭼﻪ ﻣﺎﻧﻨﺪ ﻳﻚ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ اﺳﺖ .و ﻣﺴﻴﺮ ﺧﻮدش را ﺑﺎ اﻓﺰاﻳﺶ اﻧﺘﺨﺎب ﻣﺸﺘﺮﻳﺎن ﺗﺎ اﻳﻨﻜﻪ ﻫﻤﻪ ي ﻣﺸﺘﺮﻳﺎن ﺧﻮد را ﺑﺒﻴﻨﺪ ،ﺳﺎﺧﺘﻪ اﺳﺖ.در اﺑﺘﺪا ﻫﺮ ﻣﻮرﭼﻪ ﻣﺴﻴﺮش را از اﻧﺒﺎر ﺷﺮوع ﻣﻲ ﻛﻨﺪ و ﻣﺎﻣﻮرﻳﺘﺶ ﻣﺠﻤﻮﻋﻪ ﻣﺸﺘﺮﻳﺎﻧﻲ را ﺷﺎﻣﻞ ﻣﻲ ﺷﻮد ﻛﻪ ﺧﺎﻟﻲ از وﺳﻴﻠﻪ ي ﺧﺮﻳﺪ ﻣﻲ ﺑﺎﺷﻨﺪ .ﻣﻮرﭼﻪ ،ﻣﺸﺘﺮي ﺑﻌﺪي را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ ﺗﺎ از ﻣﻜﺎن ﻫﺎي ﻣﻮﺟﻪ ﻓﻬﺮﺳﺖ دﻳﺪن ﻛﻨﺪ و ﻇﺮﻓﻴﺖ ﻣﺨﺰن وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺑﺮوز ﻣﻲ ﺷﻮد ﻗﺒﻞ از اﻳﻨﻜﻪ ﻣﺸﺘﺮي دﻳﮕﺮي اﻧﺘﺨﺎب ﺷﻮد .ﻣﻮرﭼﻪ زﻣﺎﻧﻲ ﻛﻪ ﺑﺎ ﻣﺤﺪودﻳﺖ ﮔﻨﺠﺎﻳﺶ ﺣﺎﻣﻞ )وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ( روﺑﻪ رو ﻣﻲ ﺷﻮد ،ﻳﺎ وﻗﺘﻲ ﻛﻪ ﻫﻤﻪ ي ﻣﺸﺘﺮﻳﺎن را ﺑﺒﻴﻨﺪ ،ﺑﻪ اﻧﺒﺎر ﻛﺎﻻ ﺑﺮﻣﻲ ﮔﺮدد .ﻣﺴﺎﻓﺖ ﻛﻞ Lﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ .ﻛﻪ اﻳﻦ ارزش ﺗﺎﺑﻊ ﻫﺪف ﺑﺮاي ﺗﻤﺎم ﻣﺴﻴﺮِ ﻣﻮرﭼﻪ ي ﻓﺮﺿﻲ اﺳﺖ .اﻟﮕﻮرﻳﺘﻢ ACO ﻣﺴﻴﺮي ﺗﻤﺎم ﺑﺮاي ﻣﻮرﭼﻪ ي اول ﭘﻴﺶ از اﻳﻨﻜﻪ ﻣﻮرﭼﻪ ي دوم ﻣﺴﻴﺸﺮ را ﺷﺮوع ﻛﻨﺪ ،اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ اﻳﻦ ﻣﻮﺿﻮع اداﻣﻪ دارد ﺗﺎ اﻳﻨﻜﻪ mﻣﻮرﭼﻪ ي از ﻗﺒﻞ ﺗﻌﻴﻴﻦ ﺷﺪه ﻣﺴﻴﺮي ﺷﺪﻧﻲ اﻳﺠﺎد ﻛﻨﻨﺪ .ﺑﺎ اﺳﺘﻔﺎده از ACO ﻫﺮ ﻣﻮرﭼﻪ ﺑﺎﻳﺪ ﻣﺴﻴﺮي ﻛﻪ ﻫﺮ ﻳﻚ از ﻣﺸﺘﺮﻳﺎن را ﺑﺒﻴﻨﺪ ،اﻳﺠﺎد ﻛﻨﺪ .ﺑﺮاي اﻧﺘﺨﺎب ﻣﺸﺘﺮي ﺑﻌﺪي ، jﻣﻮرﭼﻪ از ﻓﺮﻣﻮل اﺣﺘﻤﺎﻟﻲ زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ:
در اﻳﻨﺠﺎ iuτﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﻘﺪار ﻓﺮوﻣﻮن روي ﻣﺴﻴﺮ ﺑﻴﻦ ﻣﻜﺎن ﻣﻮﺟﻮد iو ﻣﻜﺎن ﻫﺎي ﻣﻤﻜﻦ ﺷﺪﻧﻲ . u iuηﻣﻌﻜﻮس ﻣﺴﺎﻓﺖ ﺑﻴﻦ ﻣﻜﺎن ﻫﺎي دو ﻣﺸﺘﺮي ﺗﻌﺮﻳﻒ ﺷﺪه ،و ﭘﺎراﻣﺘﺮ βاﻫﻤﻴﺖ ﻣﺴﺎﻓﺖ در ﻣﻘﺎﻳﺴﻪ ﻣﻘﺪار ﻓﺮوﻣﻮن در اﻧﺘﺨﺎب اﻟﮕﻮرﻳﺘﻢ را ﻣﻲ رﺳﺎﻧﺪ .ﻣﻜﺎن ﻫﺎﻳﻲ ﻛﻪ ﻗﺒﻸ ﺗﻮﺳﻂ ﻣﻮرﭼﻪ ﺑﺎزدﻳﺪ ﺷﺪه اﻧﺪ در ﺣﺎﻓﻈﻪ ي ﻣﻮرﭼﻪ ي ﻛﺎرﮔﺮ ﺛﺒﺖ ﺷﺪه اﻧﺪ ( Mk) .و ﺑﺮاي اﻧﺘﺨﺎب ﻣﻄﺮح ﻧﻤﻲ ﺷﻮﻧﺪ q .ﻳﻚ ﻣﺘﻐﻴﺮ ﻳﻜﻨﻮاﺧﺖ ﺗﺼﺎدﻓﻲ ] [0,1اﺳﺖ و q0ﻳﻚ ﭘﺎراﻣﺘﺮ اﺳﺖ .زﻣﺎﻧﻲ ﻛﻪ ﻫﺮ اﻧﺘﺨﺎﺑﻲ ﺑﻪ ﻋﻨﻮان ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻪ ﺷﻮد ،ﻣﻮرﭼﻪ اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ ﻛﻤﺎﻧﻲ را ﺑﺎ ﺑﺰرﮔﺘﺮﻳﻦ ارزش از ) Eqﻣﻌﺎدل( .ﻣﮕﺮ اﻳﻨﻜﻪ qﺑﺰرﮔﺘﺮ از q0ﺑﺎﺷﺪ ،در اﻳﻦ ﻣﻮرد ﻣﻮرﭼﻪ ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ ) (Sﻛﻪ ﺑﺎزدﻳﺪ از ﻣﺸﺘﺮي ﺑﻌﺪي ﺑﺮ ﻣﺒﻨﺎي ﺗﻮزﻳﻊ اﺣﺘﻤﺎل pijاﺳﺖ ،را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ .ﻛﻪ در اﻳﻨﺠﺎ ﻣﺴﻴﺮ ﻫﺎي ﻛﻮﺗﺎه ﺑﺎ ﻣﻴﺰان زﻳﺎد ﻓﺮوﻣﻮن ﻣﻮرد ﺗﻮﺟﻪ و اﻧﺘﺨﺎب واﻗﻊ ﺷﺪه اﺳﺖ:
ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﻫﺎي 1و 2ﻫﺮ ﻣﻮرﭼﻪ ﻳﻜﻲ از اﻳﻦ دو روش را ﭘﻴﺮوي ﻣﻲ ﻛﻨﺪ :ﻣﺴﺎﻋﺪﺗﺮﻳﻦ ﻣﺴﻴﺮي ﻛﻪ ﻗﺒﻼ ﺑﺮﻗﺮار ﺑﻮده ﻳﺎ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ ﻣﺴﻴﺮي ﻛﻪ ﺑﺮ ﻣﺒﻨﺎي ﺗﻮزﻳﻊ اﺣﺘﻤﺎل از ﺟﻬﺖ ﻣﺴﺎﻓﺖ و اﻧﺒﺎﺷﺘﮕﻲ ﻓﺮوﻣﻮن اﻳﺠﺎد ﺷﺪه اﺳﺖ .اﮔﺮ ﺑﺎ ﻣﺤﺪودﻳﺖ ﮔﻨﺠﺎﻳﺶ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻣﻮاﺟﻪ ﺷﻮد ،ﻣﻮرﭼﻪ ﺑﻪ اﻧﺒﺎر ﻛﺎﻻ ﺑﺮﻣﻲ ﮔﺮدد ﻗﺒﻞ از اﻳﻨﻜﻪ ﻣﺸﺘﺮي ﺑﻌﺪي را اﻧﺘﺨﺎب ﻛﻨﺪ .اﻳﻦ ﻓﺮآﻳﻨﺪ اﻧﺘﺨﺎب اداﻣﻪ دارد ﺗﺎ اﻳﻨﻜﻪ ﻫﻤﻪ ي ﻣﺸﺘﺮﻳﺎن ﺑﺎزدﻳﺪ )ﺳﺮوﻳﺲ ( ﺷﻮﻧﺪ و ﺳﻔﺮ ﻛﺎﻣﻞ ﮔﺮدد. :2.4ﺑﻪ روز رﺳﺎﻧﻲ ﻣﺴﻴﺮ :ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ﺟﻮاب ﻫﺎي آﺗﻲ ،ﻓﺮوﻣﻮﻧﻲ ﻛﻪ از ﻣﻮرﭼﻪ ﻫﺎ در ﻣﺴﻴﺮ ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ، ﺑﺮاي ﺑﺎزﮔﺮداﻧﺪن ﻓﺮوﻣﻮن ﻣﻮرﭼﻪ ﻫﺎ و ﻛﻴﻔﻴﺖ ﺟﻮاب ﻫﺎي ﭘﻴﺪاﻳﺸﻲ ،ﺑﺎﻳﺪ ﺑﻪ روز ﺷﻮد .اﻳﻦ ﺑﻪ روز رﺳﺎﻧﻲ ﺑﺮاي ﻳﺎدﮔﻴﺮي روش اﻧﻄﺒﺎﻗﻲ ACOﻳﻚ ﻋﻨﺼﺮ ﻛﻠﻴﺪي اﺳﺖ و ﺑﻪ ﺑﻬﺒﻮد ﺟﻮاب ﻫﺎي ﺑﻌﺪي ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ .ﺑﻪ روز
رﺳﺎﻧﻲ ﻣﺴﻴﺮ ﺷﺎﻣﻞ ﺑﻪ روز رﺳﺎﻧﻲ ﻣﻜﺎن ﻣﺴﻴﺮﻫﺎﻳﻲ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﻌﺪ از ﺟﻮاب ﻫﺎي ﻓﺮدي ﺑﻪ وﺟﻮد آﻣﺪه و ﺑﻪ روز رﺳﺎﻧﻲ ﺳﺮاﺳﺮي ﺑﻬﺘﺮﻳﻦ ﻣﺴﻴﺮ ﺑﻌﺪ از ﺗﻌﺪاد mﺟﻮابِ از ﻗﺒﻞ ﻣﺸﺨﺺ ﺷﺪه ،اﻧﺠﺎم ﮔﺮﻓﺘﻪ اﺳﺖ.در اﺑﺘﺪا ،ﺑﻪ روز رﺳﺎﻧﻲ ﻣﻜﺎن ﺑﺎ ﻛﺎﻫﺶ ﻣﻘﺪار ﻓﺮوﻣﻮن روي ﻫﻤﻪ ي ﻣﺴﻴﺮ ﻫﺎ ي)ﻛﻤﺎن ﻫﺎ( دﻳﺪه ﺷﺪه ﺑﻪ ﻣﻨﻈﻮر ﺷﺒﻴﻪ ﺳﺎزي ﺗﺒﺨﻴﺮ ﻃﺒﻴﻌﻲ ﻓﺮوﻣﻮن و اﻃﻤﻴﻨﺎن اﻳﻦ ﻣﻮﺿﻮع ﻛﻪ ﻫﻴﭻ ﻣﺴﻴﺮي ﺧﻴﻠﻲ ﺑﺮﺗﺮ ﻧﺸﺪه اﺳﺖ ،ﻫﺪاﻳﺖ ﻣﻲ ﺷﻮد .در ﻧﻬﺎﻳﺖ ﻣﻌﺎدﻟﻪ ي ﺑﻪ روز رﺳﺎﻧﻲ زﻳﺮ ﻧﺘﻴﺠﻪ ﻣﻲ ﮔﺮدد:
در اﻳﻨﺠﺎ αﭘﺎراﻣﺘﺮي اﺳﺖ ﻛﻪ ﺳﺮﻋﺖ ﺗﺒﺨﻴﺮ را ﻛﻨﺘﺮل ﻣﻲ ﻛﻨﺪ و oτﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻧﺨﺴﺘﻴﻦ ﻓﺮوﻣﻮﻧﻲ ﻛﻪ ﺑﺮاي ﻫﻤﻪ ي ﻛﻤﺎن ﻫﺎ در ﮔﺮاف Gﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ .در اﻳﻦ ﺗﺤﻘﻴﻖ oτ ،ﺑﺮاﺑﺮ ﺑﺎ ﻣﻌﻜﻮس ﻣﻌﺮوﻓﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ ﻫﺎي ﻣﺴﻴﺮ ﻳﺎﻓﺖ ﺷﺪه ﺑﺮاي ﻣﺴﺎﺋﻞ ﻣﺨﺼﻮص اﺳﺖ ﻛﻪ در ﺟﺪول 1ﻟﻴﺴﺖ ﺷﺪه اﺳﺖ:
ﺑﻌﺪ از اﻳﻨﻜﻪ ﺗﻌﺪاد mﻣﻮرﭼﻪ ﻛﻪ از ﻗﺒﻞ ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ ،ﻣﺴﻴﺮي ﻣﻮﺟﻪ را اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ ،ﺑﻪ روز رﺳﺎﻧﻲ ﺳﺮاﺳﺮي ﻣﺴﻴﺮ ﺑﺎ اﺿﺎﻓﻪ ﺷﺪن ﻓﺮوﻣﻮن ﺑﺮاي ﻫﻤﻪ ي ﻛﻤﺎن ﻫﺎ ﻛﻪ ﺷﺎﻣﻞ ﺑﻬﺘﺮﻳﻦ ﻣﺴﻴﺮ ﻫﺎي ﻳﺎﻓﺖ ﺷﺪه ﺑﻪ وﺳﻴﻠﻪ ي ﻫﺮ ﻳﻚ از mﻣﻮرﭼﻪ اﺳﺖ ،اﻧﺠﺎم ﻣﻲ ﮔﺮدد .ﺑﺮ ﻃﺒﻖ راﺑﻄﻪ ي زﻳﺮ ﺑﻪ روز رﺳﺎﻧﻲ ﺳﺮاﺳﺮي ﻣﺴﻴﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد:
اﻳﻦ ﺑﻪ روز رﺳﺎﻧﻲ اﺳﺘﻔﺎده از ﻣﺴﻴﺮ ﻫﺎي ﻛﻮﺗﺎه ﺗﺮ را ﺗﺸﻮﻳﻖ ﻣﻲ ﻛﻨﺪ و اﺣﺘﻤﺎل اﻳﻨﻜﻪ در ﻣﺴﻴﺮﻫﺎي آﻳﻨﺪه ،از ﻛﻤﺎن ﻫﺎﻳﻲ ﻛﻪ داراي ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﻫﺴﺘﻨﺪ ،اﺳﺘﻔﺎده ﺷﻮد را اﻓﺰاﻳﺶ ﻣﻲ دﻫﺪ .اﻳﻦ ﻓﺮآﻳﻨﺪ ﺑﺮاي
ﺗﻌﺪاد ﺗﻜﺮارﻫﺎﻳﻲ ﻛﻪ از ﻗﺒﻞ ﺗﻌﻴﻴﻦ ﺷﺪه اﻧﺪ ﺗﻜﺮار ﻣﻲ ﺷﻮد و ﺑﻬﺘﺮﻳﻦ ﺟﻮاب از ﻫﻤﻪ ي ﺗﻜﺮارﻫﺎ ,ﺑﻪ ﻋﻨﻮان ﺧﺮوﺟﻲ ﻣﺪل اراﺋﻪ ﻣﻲ ﺷﻮد .و ﺗﺨﻤﻴﻦ ﻣﻨﺎﺳﺒﻲ از ﺟﻮاب ﺑﻬﻴﻨﻪ ﺑﺮاي ﻣﺴﺄﻟﻪ ﺑﻴﺎن ﻣﻲ ﺷﻮد. :3.4اﺳﺘﺮاﺗﮋي ﺑﻬﺒﻮد ﻣﺴﻴﺮ روﻧﺪ ﺳﺎﺧﺖ ﻣﺴﻴﺮ و ﻓﺮآﻳﻨﺪﻫﺎي ﺑﻪ روز رﺳﺎﻧﻲ ﻓﺮوﻣﻮن ﻛﻪ در ﺑﺎﻻ ﺗﺸﺮﻳﺢ داده ﺷﺪ ،ﻧﻮﻋﻲ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاي ACOﻫﺴﺘﻨﺪ و ﺑﺮاي ﻣﺴﺎﺋﻞ ﻓﺮوﺷﻨﺪه ي دوره ﮔﺮد اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .اﮔﺮ ﭼﻪ ،ﺗﺤﻘﻴﻖ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﺟﻮاب ﻫﺎي ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ ﺑﺮاي ، VRPﺑﻪ اﺳﺘﺮاژي ﺑﻬﺒﻮد ﻣﺴﻴﺮ در اﻟﮕﻮرﻳﺘﻢ ﺑﺴﺘﮕﻲ دارد .اوﻟﻴﻦ اﺳﺘﺮاﺗﮋي ﺷﺎﻣﻞ دﺳﺘﻮراﻟﻌﻤﻞ ردوﺑﺪل ﻛﺮدن ﻣﻜﺎن ﻫﺎ ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ذﻫﻨﻲ در داﺧﻞ ﻣﺴﻴﺮﻫﺎي ﭘﻴﺪاﻳﺸﻲ ﺑﻪ وﺳﻴﻠﻪ ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻣﻲ ﺑﺎﺷﺪ .ﺷﻴﻮه ي اﺳﺘﻔﺎده ﺷﺪه ﺑﺮاي اﻳﻦ ﻫﺪف ،ﺗﻐﻴﻴﺮ دادن ﻫﻤﻪ ي ﺟﻔﺖ ﻫﺎي ﻣﻤﻜﻦِ ﻣﻜﺎن ﻫﺎي ﻣﺸﺘﺮي ﻣﻲ ﺑﺎﺷﺪ .ﺗﺎ ﺑﻬﺒﻮد در ﺗﺎﺑﻊ ﻫﺪف ﺑﻪ دﺳﺖ آﻳﺪ .ﺑﺮاي ﻣﺜﺎل در ﺗﺼﻮﻳﺮ ، 1اوﻟﻴﻦ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ از اﻧﺒﺎر ﺑﻪ ﻣﻜﺎن ﻫﺎي } {1,6,5ﺳﻔﺮ ﻣﻲ ﻛﻨﺪ .ﺑﻪ ﻃﻮر اﺑﺘﻜﺎري )ذﻫﻨﻲ( ﻣﺴﺎﻓﺖ ﺑﺮاي ﻫﻤﻪ ي ﺟﺎﻳﮕﺸﺖ دوﺗﺎﻳﻲ }} {{6,1,5}, {1,5,6} {5,6,1ﻣﺠﻤﻮﻋﻪ ،ﻛﻪ ﺷﺎﻣﻞ 3ﻣﻜﺎن ﻣﺸﺘﺮي اﺳﺖ ،ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد .اﮔﺮ ﻫﺮ ﻛﺪام از ﺟﻮاب ﻫﺎي ﻳﺎﻓﺘﻪ ﺷﺪه ،ﺗﺎﺑﻊ ﻫﺪف را ﺑﻬﺒﻮد ﺑﺨﺸﻴﺪ ،آﻧﮕﺎه ﺟﻮاب اﺻﻼح ﻣﻲ ﺷﻮد ﭘﻴﺶ از اﻳﻨﻜﻪ آن ) ﻗﺒﻠﻲ( ﺑﻪ ﻋﻨﻮان ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﻪ ﻛﺎر رود .و ﺑﻪ روز رﺳﺎﻧﻲ ﻓﺮوﻣﻮن ﺑﺮاي ﻣﺴﻴﺮ را ﻫﺪاﻳﺖ ﻣﻲ ﻛﻨﺪ. دوﻣﻴﻦ اﺳﺘﺮاژي ﺑﻬﺒﻮد ،اﺳﺘﻔﺎده از ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاي ﺗﻌﻴﻴﻦ ﻣﻜﺎن ﺑﻌﺪي اﻧﺘﺨﺎب ﺷﺪه در ﻣﺴﻴﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ اﺳﺖ .ﻫﺮ ﻣﻜﺎن ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮدي ﺑﺮ ﻣﺒﻨﺎي ﻣﺴﺎﻓﺖ ﺑﺎ ﻫﻤﻪ ي ﻣﻜﺎن ﻫﺎي دﻳﮕﺮ ،در ﻳﻚ ﻣﺠﻤﻮﻋﻪ ي ﻣﻜﺎن ،ﻟﻴﺴﺖ ﺷﺪه ﻟﺴﺖ .ﺗﻨﻬﺎ ﻣﻜﺎن ﻫﺎي ﭘﺎﻳﺎﻧﻲ )ﻧﺰدﻳﻚ ﺑﻪ ﻫﻢ( در ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاي ﻣﻜﺎن ﻣﻮﺟﻮد ،ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ و ﺑﺮاي اﻧﺘﺨﺎب ﻣﻜﺎن ﺑﻌﺪي ﻗﺎﺑﻞ اﺳﺘﻔﺎده و ﺳﻮدﻣﻨﺪ ﻣﻲ ﺑﺎﺷﻨﺪ .ﺗﻌﺪاد )اﻧﺪازه( ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ از ﻗﺒﻞ ﺑﻪ وﺳﻴﻠﻪ ي ﻣﺤﺪود ﻛﺮدن اﻧﺪازه آن ،ﺑﺎ ﺗﻘﺴﻴﻢ ﻛﺮدن ﺗﻌﺪاد ﻛﻞ ﻣﺸﺘﺮﻳﺎن در ﻣﺴﺄﻟﻪ ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد . ﺑﺮاي ﻣﺜﺎل در ﺗﺤﻘﻴﻘﺎت ﻗﺒﻠﻲ ،اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺎ ﺻﺮف ﻧﻈﺮ ﻛﺮدن از ﺗﻌﺪادي ﻣﺸﺘﺮي ،ﻛﻤﺘﺮ از ﺗﻌﺪاد ﻛﻞ ﻣﺸﺘﺮي ﺑﻮد .ﺑﺮاي ﻣﺴﺄﻟﻪ اي ﺑﺎ 50ﻣﺸﺘﺮي ،ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﻪ ﻋﺪد ﺻﺤﻴﺢ ﮔﺮد ﺷﺪه ي ( n/4) 12
ﻣﺤﺪود ﻣﻲ ﺷﻮد .ﺗﺼﻮﻳﺮ دو 12 ،ﻣﻜﺎن داوﻃﻠﺐ ﻧﺰدﻳﻚ ﺑﻪ ﻫﻢ ﺑﺮاي ﻣﻜﺎن ﻣﻮﺟﻮد در ﻃﻮل ﻣﺴﻴﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ را ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ .ﺗﺤﻘﻴﻖ ﺑﺮ اﻳﻦ اﻋﺘﻘﺎد اﺳﺖ ﻛﻪ اﻳﻦ ﻣﺤﺪودﻳﺖ از ﺗﻠﻒ ﺷﺪن ﺗﻼش اﻟﮕﻮرﻳﺘﻢ ،ﺑﺮاي رﺳﻴﺪﮔﻲ ﺑﻪ ﻣﻜﺎن ﻫﺎﻳﻲ ﻛﻪ ﻣﺴﺎﻓﺖ زﻳﺎدي را از ﻣﻜﺎن ﻣﻮﺟﻮد دارﻧﺪ و ﺷﺎﻧﺲ ﺧﻴﻠﻲ ﻛﻤﻲ ﺑﺮاي ﺑﻬﺒﻮد ﺟﻮاب در ﻣﺴﺄﻟﻪ دارﻧﺪ ،ﺟﻠﻮﮔﻴﺮي ﻣﻲ ﻛﻨﺪ .ﻣﺴﺎﺋﻠﻲ ﺑﺎ 100ﻳﺎ ﺣﺘﻲ 200ﻣﻜﺎن ﺳﺮاﺳﺮ ﺷﺪﻧﻲ در ﻣﺘﻦ VRPوﺟﻮد دارد اﻣﺎ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺎ اﺳﺘﻔﺎده از اﺻﻄﻼح ﺳﺎده n/4ﺷﺎﻳﺪ ﺣﺪاﻛﺜﺮ ﺑﻪ 50ﻣﻜﺎن ﺑﺮﺳﺪ .ﻛﻪ در ﻣﻘﺎﻟﻪ ﮔﺬﺷﺘﻪ ] [8اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ .اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﻬﻢ ﻓﺸﺮدﮔﻲ )ﺷﺪت( اﻧﺘﺨﺎب اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻣﺨﺘﻠﻒ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ و ﺑﻴﺸﺘﺮ ،ﺟﺴﺘﺠﻮ ﻣﻲ ﻛﻨﺪ ﻛﻪ اﻳﻦ اﻧﺘﺨﺎب ﺷﺎﻳﺪ ﺑﺮاي اﻧﺪازه ي ﻣﺴﺄﻟﻪ ﻣﺨﺘﻠﻒ ،ﻣﻬﻢ ﺑﺎﺷﺪ.
: 4.4ﺟﺎﻣﻌﻪ ي ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ اﺳﺘﻔﺎده از ﮔﺮوﻫﻬﺎي ﺗﺨﺼﺼﻲ ﻳﺎ ﺧﺎﻧﻮاده ي ﻣﻮرﭼﻪ ﻫﺎ در ﻧﻮﺷﺘﺠﺎت ] [10,11اﺷﺎره ﺷﺪه اﺳﺖ.اﻣﺎ اﺟﺮا و ﺗﻜﻤﻴﻞ ﻧﺸﺪه اﺳﺖ .ﻣﻔﻬﻮم اﺳﺘﻔﺎده ي ﮔﺮوﻫﻬﺎي ﺟﺪاﮔﺎﻧﻪ ﻣﻮرﭼﻪ ﻫﺎ ،ﻣﺒﻨﻲ ﺑﺮ ﻣﺸﺎﻫﺪاﺗﻲ ﻛﻪ از ﻣﻮرﭼﻪ ﻫﺎ در ﻃﺒﻴﻌﺖ دارﻧﺪ ،ﻣﻲ ﺑﺎﺷﺪ.ﮔﺎﻫﻲ اوﻗﺎت ﺑﺮ ﻣﺒﻨﺎي ﺷﻐﻞ ﺧﺎﺻﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﻣﻲ ﺷﻮﻧﺪاز ﻗﺒﻴﻞ ﻣﺮﺗﺐ ﺳﺎزي ، ﺟﺴﺘﺠﻮ ﺑﺮاي ﻏﺬا ،ﻳﺎ دﻓﺎع ﻛﺮدن از ﻻﻧﻪ .ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ ﻓﺮض ﺷﺪه اﺳﺖ ﻛﻪ ﺟﻮاب ﻣﺴﺄﻟﻪ ﺑﺮاي VRPﺷﺎﻳﺪ ﻣﻮﺛﺮﺗﺮ ﺷﻮد اﮔﺮ ﻛﻮﻟﻮﻧﻲ ﺟﺪاﮔﺎﻧﻪ ﻣﻮرﭼﻪ ﻫﺎ ﺑﺎ ﻛﻨﺎر ﮔﺬاﺷﺘﻦ ﻓﺮوﻣﻮن ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ،ﺑﺮاي ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ اﺳﺘﻔﺎده ﺷﻮد .اﻳﻦ ﺗﻔﻜﻴﻚ ﻗﺼﺪ دارد ﺑﺎ اﻳﺠﺎد ﻣﺴﻴﺮﻫﺎي ﻣﺨﺘﻠﻔﻲ ﻗﺎﺑﻞ اﺳﺘﻔﺎده در اوﻟﻴﻦ ﻣﺴﻴﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ،
از آﻧﻬﺎ ﺗﻮﺳﻂ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ي ﺑﻌﺪي اﺳﺘﻔﺎده ﺷﻮد .و آن )ﺗﺤﻘﻴﻖ( ﺑﺮ اﻳﻦ ﺑﺎور اﺳﺖ ﻛﻪ اﻳﻦ روش ﺷﺎﻳﺪ ﻣﻮﺛﺮﺗﺮ ﺑﺎﺷﺪ ﭼﻨﺎﻧﻜﻪ اﻧﺪازه ي ﻣﺴﺄﻟﻪ و ﺗﻌﺪاد وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﻣﻮرد ﻧﻴﺎز ،اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ .ﺑﺮاي ﻣﺜﺎل در ﻳﻚ ﻣﺴﺄﻟﻪ ﺑﺎ 50 ﻣﻜﺎن ﻣﺸﺘﺮي ،ﺟﻮاب ﺧﻮب ﻣﺤﺘﻮي 5ﻳﺎ ﺑﻴﺸﺘﺮ وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﻛﻪ ﻫﺮ ﻛﺪام ﺑﺎ ﻣﺴﻴﺮي ﺟﺪاﮔﺎﻧﻪ از اﻧﺒﺎر ﺷﺮوع ﻣﻲ ﺷﻮد ،ﻣﻲ ﺑﺎﺷﺪ .ﺑﺎ اﺳﺘﻔﺎده از ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ ي ﭼﻨﺪﮔﺎﻧﻪ ﻣﺴﻴﺮ اوﻟﻴﻦ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻫﻤﻮاره ﺑﺎ ﻓﺮوﻣﻮن از ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ ي #1ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد و اﻳﻦ ﻣﺴﻴﺮ ﻛﻨﺎر ﮔﺬاﺷﺘﻪ ﺷﺪه ،ﺑﺮاي ﺗﻌﻴﻴﻦ ﻣﺴﻴﺮ ﺑﺮاي دوﻣﻴﻦ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻧﻴﺴﺖ .در ﻋﻮض ،ﻣﺴﻴﺮ ﺑﺮاي دوﻣﻴﻦ ﻛﻠﻮﻧﻲ ﺗﻨﻬﺎ ﺑﻪ ﻓﺮوﻣﻮن ﺑﺎﻗﻲ ﻣﺎﻧﺪه ي ﻛﻪ ﺗﻮﺳﻂ ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ ي ، # 2اﻳﺠﺎد ﺷﺪه اﺳﺖ ،واﺑﺴﺘﻪ ﻣﻲ ﺑﺎﺷﺪ و ﻣﺎﻧﻨﺪ آن .ﻫﺮ ﭼﻨﺪ اﻳﻦ روش ﻣﺤﺪودﻳﺖ ﻧﺎﭼﻴﺰي روي ارﺗﺒﺎﻃﺎت ﻗﺮار ﻣﻲ دﻫﺪ ،اﻣﺎ ﻣﻴﻞ دارد ﻛﻪ اﻳﻦ ﻻﻳﻪ ﺑﻨﺪي اﺿﺎﻓﻪ ﻛﻨﺪ ﺑﻪ ﺗﻤﺮﻛﺰ ﺗﻼش ﺑﺮاي ﻳﺎﻓﺘﻦ ﻫﻢ زﻣﺎن ﻣﺴﻴﺮ ﻫﺎي ﭼﻨﺪﮔﺎﻧﻪ ﺑﺎ اﻓﺰاﻳﺶ اﺣﺘﻤﺎل اﻳﻨﻜﻪ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﺑﻪ ﻃﻮر ﭘﻴﻮﺳﺘﻪ در ﻣﺴﻴﺮي ﺻﺤﻴﺢ اﺳﺘﻔﺎده ﺷﻮد .و ﺑﺎ ﻓﺮوﻣﻮن ﻣﺴﻴﺮ ﻣﻮرﭼﻪ ﻫﺎي دﻳﮕﺮ اﺷﺘﺒﺎه ﻧﺸﻮد.
-5آزﻣﺎﻳﺶ ﻃﺮز ﻛﺎر و رﻓﺘﺎر ﻛﻠﻮﻧﻲ ﻣﻮرﺟﻪ اي واﺣﺪ و ﭼﻨﺪﮔﺎﻧﻪ ﺑﺮاي 3ﻣﺴﺄﻟﻪ در ﺗﺤﻘﻴﻘﺎت ﻗﺒﻠﻲ ] [3ﺑﻪ ﻣﻨﻈﻮر ﻣﻘﺎﻳﺴﻪ ﺗﻮاﻧﺎﻳﻲ آﻧﻬﺎ ﺑﺮاي ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي VRPﺑﺮاي ﻣﺴﺎﺋﻠﻲ ﺑﺎ ﺗﻌﺪاد ﻣﺨﺘﻠﻒ ﻣﺸﺘﺮي ﺑﻴﺎن ﺷﺪه اﺳﺖ .اﻳﻦ ﺳﻪ ﻣﺴﺌﻠﻪ در اﻧﺪازه ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻓﺮق دارﻧﺪ .و آﻧﻬﺎ ﺑﻪ ﻣﻨﻈﻮر ﺑﺮﻗﺮاري روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ي ﺟﺪﻳﺪ و ﺗﺠﺰﻳﻪ ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ روش ﻫﺎ ﭘﻴﺶ از اﻣﺘﺤﺎن ﻧﻤﻮدن روي ﻣﺴﺎﺋﻞ ﺑﺰرﮔﺘﺮ اﻧﺘﺨﺎب ﺷﺪه اﻧﺪ .ﺑﻪ ﻋﻼوه اﻧﺪازه ﻛﻮﭼﻚ ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻞ ﺗﺠﺮﺑﻲ ﺑﺮاي ﺗﻌﻴﻴﻦ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد .در ﺻﻮرﺗﻲ ﻛﻪ آن ﻧﻘﺶ ﻣﻬﻤﻲ در ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﺑﻬﺒﻮد ﺑﺮاي VRPﺑﺎزي ﻣﻲ ﻛﻨﺪ. :1.5ﻃﺮﺣﻲ آزﻣﺎﻳﺶ ﻫﺎ: ﺗﺸﺮﻳﺤﻲ ﺑﺮاي ﻫﺮ ﻳﻚ از ﺳﻪ ﻣﺴﺌﻠﻪ ي اﺳﺘﻔﺎده ﺷﺪه در آزﻣﺎﻳﺶ ،در ﺟﺪول 1اراﺋﻪ ﺷﺪه اﺳﺖ .و ﻣﺨﺘﺼﺎت ﻣﻜﺎن ﻣﺨﺼﻮص روي ﮔﺮاف ﺑﺮاي ﻫﻤﻪ ي ﻣﻜﺎن ﻫﺎ و اﻧﺒﺎر در ] [2,3ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻣﻲ ﺑﺎﺷﺪ .ﻧﺘﺎﻳﺞ
ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﺑﺮاي اﻳﻦ آزﻣﺎﻳﺶ ﺑﺎ روﻳﻜﺮد ACOواﺣﺪ در ] ، [8روﻳﻜﺮد ACOدﺳﺘﻪ ﺑﻨﺪي ﺷﺪه در ] [9و ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﺮاي ﻫﺮ ﻣﺴﺌﻠﻪ اي ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد .ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﺮاي ﻣﺴﺌﻠﻪ ي 1 ﻣﻨﺸﺄ ﺑﺮاي ﺑﻬﻴﻨﻪ ﻛﺮدن ] [18ﺑﻮده اﺳﺖ و ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﺮاي ﻫﺮ 3ﻣﺴﺄﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺟﺴﺘﺠﻮي ﻣﻤﻨﻮﻋﻪ ] [5ﻳﺎﻓﺖ ﻣﻲ ﺷﻮد. آزﻣﺎﻳﺶ ﺷﺎﻣﻞ دو روش ﺑﻬﻴﻨﻪ ﺳﺎزي ﻣﺨﺘﻠﻒ ) ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي واﺣﺪ و ﭼﻨﺪﮔﺎﻧﻪ( ﻣﻲ ﺑﺎﺷﺪ .و ﺑﺮاي ﺳﻪ ﻣﺴﺌﻠﻪ ﻣﺘﻔﺎوت ﺑﻪ ﻛﺎر رﻓﺘﻪ اﺳﺖ .ﺑﻪ ﻋﻼوه اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ،ﻣﺠﻤﻮﻋﻪ اي ﺑﺎ 4ﺳﻄﺢ ﻣﺨﺘﻠﻒ ﺑﺮاي ﻫﺮ ﻣﺴﺌﻠﻪ ﺑﺎ ﻛﺴﺮ ﻫﺎي ﻣﺘﻔﺎوت )1/3و 1/5و 1/7و (1/9اﺳﺖ .اﻳﻦ ﻛﺎر ﺑﺎ ﺗﻘﺴﻴﻢ ﻛﺮدن ﺗﻌﺪاد nﻣﺸﺘﺮي ﺑﻪ ﭼﻬﺎر ﻣﻘﺴﻮم ﻋﻠﻴﻪ ﻣﺘﻔﺎوت ) n/3و n/5و n/7و ( n/9اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد .ﻧﺘﺎﻳﺞ ﻃﺮاﺣﻲ آزﻣﺎﻳﺶ ﺷﺎﻣﻞ 8=4*2رﻓﺘﺎر ﻣﺘﻔﺎوت ﺑﺮاي ﻫﺮ ﻳﻚ از ﺳﻪ ﻣﺴﺄﻟﻪ ﻣﻲ ﺑﺎﺷﺪ .ﺟﻮاب ﻫﺎ ﺑﺮاي ﻫﺮ ﻳﻚ از اﻳﻦ ﺧﺎﻧﻪ ﻫﺎ در 25دوره ﺗﻮﻟﻴﺪ ﺷﺪه اﻧﺪ ﺑﺮاي اﻳﻨﻜﻪ اﺣﺘﻤﺎل ﻣﻄﺎﺑﻘﺖ داده ﻫﺎ ﺑﺎ ﻣﻘﺎدﻳﺮ ﻣﻮرد اﻧﺘﻈﺎر و وارﻳﺎﻧﺲ ﻣﺮﺑﻮط ﺑﻪ ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺶ ﻓﻬﻤﻴﺪه ﺷﻮد .و ﻣﻘﺎﻳﺴﻪ ي آﻣﺎري ﻣﻌﻨﺎ داري اﻳﺠﺎد ﺷﻮد .ﻣﻘﻴﺎس ﻋﻤﻠﻜﺮد ﺑﺮاي ﻣﺪل ﺷﺎﻣﻞ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺴﺎﻓﺖ ﻣﺴﻴﺮ ،Lﻣﻴﻨﻤﻢ ﻣﺴﺎﻓﺖ ﻣﺴﻴﺮ، Lﻣﺘﻮﺳﻂ زﻣﺎن اﺟﺮا ، CPUو درﺻﺪ ﭘﺴﺘﻲ ﺣﺪاﻗﻞ ﻣﺴﺎﻓﺖ ﻣﺴﻴﺮ Lدر ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﻣﺴﺌﻠﻪ اﺳﺖ .اﻳﻦ ﻣﻘﻴﺎس ﻫﺎ ﺑﺮاي ﭘﺎﺳﺦ ﮔﻮﻳﻲ ﺑﻪ دو ﺳﻮال )دو ﻧﺘﻴﺠﻪ ﮔﻴﺮي( در اﻳﻦ ﺗﺤﻘﻴﻖ ارزﻳﺎﺑﻲ ﺷﺪه اﻧﺪ: .1روش ACOﭼﻨﺪﮔﺎﻧﻪ ﺟﻮاب ﺑﻬﺘﺮي ﺑﺮاي ﻣﺴﺎﻟﻪ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ACOواﺣﺪ ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ. .2اﺳﺘﻔﺎده از اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻣﺨﺘﻠﻒ ﻧﺘﻴﺠﻪ اي ﺑﺮاي ﺟﻮاب ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺮاي ﻣﺴﺌﻠﻪ دارد.
ﺗﻮﻟﻴﺪ ﺗﻤﺎم ﺟﻮاب ﻫﺎي ACOﺑﺮاي ﻫﺮ ﻣﺴﺌﻠﻪ و ﻣﺤﺎﺳﺒﻪ ﺗﻐﻴﻴﺮات آن ﺑﺎ اﺳﺘﻔﺎده از ﺑﺮﻧﺎﻣﻪ ﻧﻮﻳﺴﻲ C++و ﺗﻮﺳﻂ ﭘﺮدازﻧﺪه ي Athlon AMD4 900 MHzﺷﺮﻛﺖ AMDﻣﻲ ﺑﺎﺷﺪ .در ﺗﻤﺎم ﺟﻮاب ﻫﺎي، ACO ﭘﺎراﻣﺘﺮﻫﺎي زﻳﺮ ،ﻣﺠﻤﻮﻋﻪ اي ﺑﺮاي ارزش ﮔﺬاري ﺑﻮده اﻧﺪ ﻛﻪ در ﺗﺤﻘﻴﻘﺎت و آزﻣﺎﻳﺸﺎت ﻗﺒﻠﻲ ﺑﻪ ﺻﻮرت ﺧﻴﻠﻲ
ﻗﻮي وﺟﻮد داﺷﺘﻪ اﻧﺪ:
=0.1 αو =2.3
βو q0= 0.9و . m=25ﻫﺮ راه اﻧﺪازي ﻣﺪل ﺷﺎﻣﻞ 5000
ﺗﻜﺮار در اﻳﺠﺎد ﻣﺴﻴﺮ و ﻓﺮآﻳﻨﺪﻫﺎي ﺑﻪ روز رﺳﺎﻧﻲ ﻣﺴﻴﺮ ﻣﻲ ﺑﺎﺷﺪ. :2.5ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺶ ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺶ درﺟﺪول 2ﻓﻬﺮﺳﺖ ﺷﺪه اﺳﺖ .ﻣﺸﺨﺺ اﺳﺖ ﻛﻪ روﻳﻜﺮد ACOاﺳﺘﻔﺎده ﺷﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ ﻗﺎدر اﺳﺖ ،ﺟﻮاب ﻫﺎي رﻗﺎﺑﺘﻲ ﺑﺮاي VRPﻣﺴﺌﻠﻪ (n=50) C1اﻳﺠﺎد ﻛﻨﺪ .ﻫﺮ دو روﻳﻜﺮد ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ ﭼﻨﺪﮔﺎﻧﻪ و واﺣﺪ ﻗﺎدر ﺑﻪ ﺗﻮﻟﻴﺪ ﺟﻮاب ﻫﺎﻳﻲ ﺑﺎ اﺧﺘﻼف ﻛﻤﺘﺮ از %1ﺟﻮاب ﺑﻬﻴﻨﻪ ﺑﺮاي ﻣﺴﺌﻠﻪ اﺳﺖ .ﺑﻪ ﻋﻼوه اﻧﺪازه ﻛﻮﭼﻚ ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﻪ ﻧﻈﺮ ﻧﻤﻲ رﺳﺪ ،ﻧﻘﺶ ﻣﻬﻤﻲ در ﻛﻴﻔﻴﺖ ﺟﻮاب ﻣﺴﺌﻠﻪ C1اﻳﻔﺎ ﻛﻨﺪ .و اﻧﺪازه ﻟﻴﺴﺖ ﻫﻤﻪ ي داوﻃﻠﺒﻴﻦ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎﻳﻲ ﺑﺎ اﺧﺘﻼف %3ﺑﻬﻴﻨﻪ ﻣﻌﻠﻮم اﺳﺖ.ﻫﺮ ﭼﻨﺪ ﺑﺮاي ﻣﺴﺌﻠﻪ (n=100) C3ﺑﻬﺘﺮﻳﻦ ﻧﺘﻴﺠﻪ اي ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺐ ﻳﺎﻓﺖ ﺷﺪه اﺳﺖ ،ﺑﺮاﺑﺮ ﺑﺎ 14ﻣﻲ ﺑﺎﺷﺪ .ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ي ﺳﻄﺢ ﻛﺴﺮي n/7ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ .ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ، روﻳﻜﺮد ﻛﻠﻮﻧﻲ واﺣﺪ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﻧﺘﻴﺠﻪ )ﺟﻮاب ( ﺑﺎ اﺧﺘﻼف %3.9ﺑﻬﺘﺮﻳﻦ ﻧﺘﻴﺠﻪ ﻣﻌﻠﻮم و روﻳﻜﺮد ﻛﻠﻮﻧﻲ ﭼﻨﺪﮔﺎﻧﻪ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب در ﺣﺪود %1.7ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﻣﻌﻠﻮم ﻣﻲ ﺑﺎﺷﺪ .اﻳﻦ ﭘﺪﻳﺪه در ﻧﺘﺎﻳﺞ ﺗﺠﺮﺑﻲ ﺑﺮاي ﻣﺴﺌﻠﻪ C4آﺷﻜﺎر اﺳﺖ .ﺑﺮاي ﻣﺜﺎل ﻧﮕﺮش ﻛﻠﻮﻧﻲ واﺣﺪ ﺟﻮاﺑﻲ ﺑﺎ اﺧﺘﻼف %10.06ﺑﻬﺘﺮﻳﻦ ﻧﺘﺎﻳﺞ ﻣﻌﻠﻮم ﻣﻲ ﻳﺎﺑﺪ و ACOﭼﻨﺪﮔﺎﻧﻪ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎﻳﻲ ﺑﺎ اﺧﺘﻼف %6.45ﺑﻬﺘﺮﻳﻦ ﻧﺘﺎﻳﺞ ﻣﻌﻠﻮم اﺳﺖ .اﻳﻦ ﻧﺨﺴﺘﻴﻦ ﻣﺸﺎﻫﺪات ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻛﻪ ﭼﻨﺎﻧﻜﻪ اﻧﺪازه ﻣﺴﺌﻠﻪ ) (nاﻓﺰاﻳﺶ ﻳﺎﺑﺪ ،روﻳﻜﺮد ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ﺟﻮاب ﺑﻬﺘﺮي ﻣﻲ دﻫﺪ و اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ،ﺑﺎ اﺳﺘﻔﺎده از ﻣﺨﺮج ﺑﺰرﮔﺘﺮ در ﻛﺴﺮ ﻛﻪ ﺗﻌﺪاد ﻣﺤﻞ داوﻃﻠﺒﻴﻦ را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ ،ﺑﻬﺘﺮ اﺳﺖ ﻛﻮﭼﻚ )ﻛﻢ( ﺑﺎﺷﺪ .ﺑﻪ ﻋﻼوه ،در ﻫﻤﻪ ي ﻣﻮارد ،اﻟﮕﻮرﻳﺘﻢ اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ و واﺣﺪ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻌﺪاد ﻛﻢ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ) (mﻣﻲ ﺑﺎﺷﺪ .ﺑﺮاي ﻣﺜﺎل ) m=5ﺑﺮاي C1و m=8ﺑﺮاي C3و m=12ﺑﺮاي .( C4در ﻫﻴﭻ ﻣﻮرد ،اﻟﮕﻮرﻳﺘﻢ ﻧﻴﺎز ﺑﻪ اﺿﺎﻓﻪ ﻛﺮدن وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﺑﺮاي ﺣﻞ ﻛﺮدن ﻫﺮ ﻛﺪام از اﻳﻦ 3ﻣﺴﺌﻠﻪ ﻧﺪاﺷﺖ.
ﺑﺮاي ﺗﺠﺰﻳﻪ ﺗﺤﻠﻴﻞ ﺑﻴﺸﺘﺮ ﻧﺘﺎﻳﺞ و ﭘﺎﺳﺦ ﮔﻮﻳﻲ ﺑﻪ ﺳﻮاﻻت ﺗﺤﻘﻴﻖ ،آﻧﺎﻟﻴﺰ وارﻳﺎﻧﺲ ) (ANOVAﺑﺮاي ﻫﺮ ﻳﻚ از 3ﻣﺴﺌﻠﻪ ﺣﺴﺎب ﺷﺪه اﺳﺖ ﺑﺮاي اﻳﻨﻜﻪ ،اﮔﺮ ﺗﻔﺎوت ﻣﻬﻤﻲ در ﻣﺴﻴﺮ ﺟﺎده Lوﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ،ﺗﻌﻴﻴﻦ و ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻨﺪ .ﺑﺮاي ﻣﺜﺎل ﺗﻌﻴﻴﻦ ﻧﺘﺎﻳﺞ ﻣﺘﻔﺎوت اﺳﺘﻔﺎده از اﻧﺪازه ﻫﺎي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ و ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي واﺣﺪ در ﻣﻘﺎﺑﻞ روﻳﻜﺮد ﻛﻠﻮﻧﻲ ﭼﻨﺪﮔﺎﻧﻪ . اوﻟﻴﻦ آﻧﺎﻟﻴﺰ وارﻳﺎﻧﺲ ﺑﺮاي ﻣﺴﺌﻠﻪ ، C1ﺗﻔﺎوت ﻣﻬﻤﻲ را ﻣﻲ ﻳﺎﺑﺪ= 0.001) .
(F=105.29, p
ﺑﺮاي اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻣﺨﺘﻠﻒ ﻣﻲ ﺑﺎﺷﺪ .در ﺣﺎﻟﻴﻜﻪ ﺑﺮاي روش ﻫﺎي ﺑﻬﻴﻨﻪ ﺳﺎزي )= 0.001
(F=50.35, pﻛﺎرﺑﺮد دارد .ﻣﻘﺎﻳﺴﻪ اﻳﻦ دو ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ
ﺑﺎ ) 10ﺑﺎ اﺳﺘﻔﺎده از ﻋﺒﺎرت ( n/5ﻣﺴﺎﻓﺖ ﻛﻤﺘﺮي را ﻧﺴﺒﺖ ﺑﻪ ﻣﺴﻴﺮﻫﺎﻳﻲ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻪ ﻟﻴﺴﺖ دﻳﮕﺮ اﻳﺠﺎد ﺷﺪه اﻧﺪ ،را دارد .ﺑﻪ ﻋﻼوه ،ﺟﻮاب ﻫﺎﻳﻲ ﺑﺮاي روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ ﻳﮕﺎﻧﻪ 8.59 – 4.85واﺣﺪ ، ﻛﻮﭼﻜﺘﺮ از ﺟﻮاب ﻫﺎي اﻳﺠﺎد ﺷﺪه ﺑﺎ اﺳﺘﻔﺎده از روش ﺑﻬﻴﻨﻪ ﺳﺎزي ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ﻣﻲ ﺑﺎﺷﺪ. )= 0.001
.(alpha=0.05, pاﻳﻦ ﺗﻔﺎوت در ﻧﻤﻮدار 3ﻧﺸﺎن داده ﺷﺪه اﺳﺖ.
آﻧﺎﻟﻴﺰ وارﻳﺎﻧﺲ دوم ﺑﺮاي ﻣﺴﺌﻠﻪ C3دوﺑﺎره ﺗﻔﺎوت ﻣﻬﻤﻲ ﺑﻴﻦ اﻧﺪازه ﻣﺘﻔﺎوت ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ )= 0.001
(F=93.63, pﻣﻲ ﻳﺎﺑﺪ .اﮔﺮﭼﻪ ﻓﺮق ﻣﻬﻤﻲ ﺑﻴﻦ دو روش ﺑﻬﻴﻨﻪ ﺳﺎزي ﺑﺮاي اﻳﻦ ﻣﺴﺌﻠﻪ
وﺟﻮد ﻧﺪارد )=0.235
. (F=1.42, pﺗﻔﺎوت اﻳﻦ دو ﺑﺮاي اﻳﻦ ﻣﺴﺌﻠﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻟﻴﺴﺖ
داوﻃﻠﺒﻴﻦ ) ﺗﻌﺪاد ﻣﺸﺘﺮﻳﺎن ﻣﻮﺟﻮد در ﻳﻚ ﻣﺴﻴﺮ( ﺑﺮاﺑﺮ ﺑﺎ ، ( n/9) 19ﻣﺴﺎﻓﺖ 19.51-27.61واﺣﺪ ﻛﻤﺘﺮ
از ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ( n/3) 33و 10.96 -2.86واﺣﺪ ﻛﻤﺘﺮ از ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ ﺑﺎ ( n/5) 20ﺑﺎ α ﻣﻌﺎدل 0.05دارد .ﺗﻔﺎوت ﻣﻬﻤﻲ ﺑﻴﻦ اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ ﺑﺎ ( n/7) 14و ( n/9) 11ﺑﺮاي اﻳﻦ ﻣﺴﺌﻠﻪ ﺑﺎ 100ﻣﺸﺘﺮي ،وﺟﻮد ﻧﺪارد .ﻧﺘﺎﻳﺞ اﻳﻦ ﻣﺴﺌﻠﻪ در ﻧﻤﻮدار ) 4ﺷﻜﻞ ﺑﺎﻻ( ﻧﺸﺎن داده ﺷﺪه اﺳﺖ .ﻧﺘﺎﻳﺞ آﻧﺎﻟﻴﺰ وارﻳﺎﻧﺲ ﺑﺮاي ﻣﺴﺌﻠﻪ ، C4دوﺑﺎره ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺗﻔﺎوت ﻣﻬﻤﻲ ﺑﺮاي اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ) (F=281.53, p=0.001وﺟﻮد دارد .ﻣﻘﺎﻳﺴﻪ اﻳﻦ دو ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﺳﺘﻔﺎده از ﻣﺨﺮج 9ﺑﺮاي ﻛﺴﺮ ، ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮي را اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ .ﻣﺴﺎﻓﺖ ﻣﺴﻴﺮ ﺑﺎ اﺳﺘﻔﺎده از اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ ﺑﺎ ، ( n/9) 17 47.16 -57.00واﺣﺪ ﻛﻤﺘﺮ از ﻣﺴﺎﻓﺖ ﻣﺴﻴﺮ ﺑﺎ ﺗﻌﺪاد ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ ﺑﺎ ( n/3) 50ﻣﻲ ﺑﺎﺷﺪ.
19.20 -29.04واﺣﺪ ﻛﻤﺘﺮ از ﺟﻮاﺑﻲ اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻌﺪاد ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاﺑﺮ ﺑﺎ (n/5) 30و -14.37 4.53واﺣﺪ ﻛﻤﺘﺮ از ﺟﻮاﺑﻲ اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻌﺪاد ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ، ( n/7) 21اﻳﺠﺎد ﻣﻲ ﺷﻮد .ﻣﻘﺎﻳﺴﻪ ي روش ﻫﺎي ﺑﻬﻴﻨﻪ ﺳﺎزي ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ،ﻣﺴﻴﺮ ﺑﺎ ﻣﺴﺎﻓﺖ 26.01 -20.66 واﺣﺪ ﻛﻤﺘﺮ از روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي واﺣﺪ اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ .در ﻧﻤﻮدار ، 5ﻃﺮح ﻣﺴﺌﻠﻪ C4ﻧﺸﺎن داده ﺷﺪه اﺳﺖ.
ﻳﻜﻲ از روﺷﻬﺎي ﻣﻬﻢ در ﺳﻨﺠﺶ ﺗﻮاﻧﺎﻳﻲ اﻟﮕﻮرﻳﺘﻢ ،ﻣﺤﺎﺳﺒﻪ ي ﺳﺮﻋﺖ اﻧﺠﺎم اﻟﮕﻮرﻳﺘﻢ در ﻛﺎﻣﭙﻴﻮﺗﺮ اﺳﺖ. از اﻳﻦ رو ،دو رو ش ACOﺑﻪ ﻛﺎر رﻓﺘﻪ در اﻳﻦ ﺗﺤﻘﻴﻖ ،در زﻣﺎن اﻧﺠﺎم اﻟﮕﻮرﻳﺘﻢ ﺑﺎ روش ﻫﺎي دﻳﮕﺮ ﺑﺮاي ﻫﺮ ﺳﻪ ﻣﺴﺌﻠﻪ ،ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ ﻛﻪ در ﺟﺪول 3ﻣﻮﺟﻮد ﻣﻲ ﺑﺎﺷﺪ .روش ﻫﺎي اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎ ﻧﺘﺎﻳﺞ ﺗﻴﻼرد )،(T ﻋﺜﻤﺎن ) (Oو ﺟﻨﺪرﻳﻮ ،ﻫﺮﺗﺰ و ﻻﭘﻮرﺗﺰ ) Xiu -(GHLو (XK) Kellyو ذﺧﻴﺮه ي ژﻧﺮاﺗﻮر )(SG ﻣﻘﺎﻳﺴﻪ ﺷﺪ .زﻣﺎن ﻫﺎي ﮔﺬارش ﺷﺪه ﺑﺮاي روش ﻫﺎي ، ACOﻣﻴﺎﻧﮕﻴﻦ زﻣﺎن ﺳﭙﺮي ﺷﺪه ي اﻟﮕﻮرﻳﺘﻢ در ﻳﺎﻓﺘﻦ ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﻫﺴﺘﻨﺪ .از آﻧﺠﺎﻳﻴﻜﻪ ﻫﺮ ﻳﻚ از روش ﻫﺎي ﻣﻘﺎﻳﺴﻪ ﺷﺪه در ﺟﺪول ﺷﻤﺎره ، 3ﺑﺮ روي ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎي ﻣﺨﺘﻠﻔﻲ ،اﺳﺘﻔﺎده ﺷﺪه اﻧﺪ و زﻣﺎن اﻧﺠﺎم آﻧﻬﺎ ﺑﻪ دﺳﺖ آﻣﺪه اﺳﺖ ،ﺷﺎﻳﺪ ﻣﻘﺎﻳﺴﻪ ي ﺻﺤﻴﺤﻲ از ﺟﻬﺖ زﻣﺎن اﻧﺠﺎم از ﻳﻚ ﺗﺤﻘﻴﻖ ﺑﻪ ﺗﺤﻘﻴﻖ دﻳﮕﺮ ﺻﻮرت ﻧﮕﺮﻓﺘﻪ ﺑﺎﺷﺪ .در ﻫﺮ ﺻﻮرت ،ﻫﺮ دو روش ACO اﺳﺘﻔﺎده ﺷﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ ،از ﺟﻬﺖ زﻣﺎن اﻧﺠﺎم اﻟﮕﻮرﻳﺘﻢ ﻣﺨﺼﻮﺻﺄ ﺑﺎ اﻓﺰاﻳﺶ اﻧﺪازه ﻣﺴﺌﻠﻪ )ﺗﻌﺪاد ﻛﻞ ﻣﺸﺘﺮﻳﺎن( ،ﺑﺎ دﻳﮕﺮ روش ﻫﺎي ﻣﻮﺟﻮد ﻗﺎﺑﻞ رﻗﺎﺑﺖ ﻫﺴﺘﻨﺪ .زﻣﺎن ﻫﺎي ACOﺑﺮاي ﻣﺴﺌﻠﻪ ي C3از دﻳﮕﺮ روش
ﻫﺎي ﻣﻮﺟﻮد ،ﻛﻤﺘﺮ اﺳﺖ .و ﺗﻨﻬﺎ روش Savings Generatorﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﺳﺮﻳﻊ ﺗﺮي از ACOﻣﻲ ﺑﺎﺷﺪ .ﺑﺮاي ﻫﺮ ﺳﻪ ﻣﺴﺌﻠﻪ ،روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي واﺣﺪ ﺳﺮﻳﻊ ﺗﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ .
. 6ﺑﺤﺚ و ﻧﺘﻴﺠﻪ ﮔﻴﺮي ﺑﻴﺎﻧﺎت روش ﺑﻬﻴﻨﻪ ﺳﺎزي اﺟﺘﻤﺎﻋﺎت ﻣﻮرﭼﻪ اي ﺑﻪ ﻃﻮر واﺿﺢ ﺗﻮاﻧﺎﻳﻲ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﺧﻮب ﺑﺎ اﺧﺘﻼف %1ﺟﻮاب ﺑﻬﻴﻨﻪ ﻣﻌﻠﻮم ﺑﺮاي ﻣﺴﺎﺋﻞ ﻛﻮﭼﻜﺘﺮ را دارد .ﻫﺮﭼﻨﺪ ﺳﺎزﮔﺎر ﺑﺎ ﺗﺤﻘﻴﻘﺎت ﻗﺒﻠﻲ ،روش ﻫﺎي ACOﺑﻪ ﻛﺎر رﻓﺘﻪ در اﻳﻦ ﺗﺤﻘﻴﻖ ،ﺑﻪ اﻧﺪازه اي ﻛﻪ در ﻳﺎﻓﺘﻦ ﺟﻮاب ﺑﺮاي ﻣﺴﺎﺋﻞ ﻛﻮﭼﻜﺘﺮ ﻣﻮﺛﺮ اﺳﺖ ،ﺑﺮاي ﻣﺴﺎﺋﻞ ﺑﺰرگ ﻣﻮﺛﺮ ﻧﻴﺴﺖ. ﻫﺮ دو روش ACOاﺳﺘﻔﺎده ﺷﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ ،ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ ﺗﺮي ﺑﺮاي ﻣﺴﺎﺋﻞ C3و C4در ﻣﻘﺎﻳﺴﻪ ﺑﺎ روش ﻛﻠﻮﻧﻲ واﺣﺪ اﺳﺘﻔﺎده ﺷﺪه در ﺗﺤﻘﻴﻖ ﻗﺒﻠﻲ ﻛﻪ از ﺑﻪ ﻛﺎر ﮔﻴﺮي ﮔﻨﺠﺎﻳﺶ و ذﺧﻴﺮه ي اﺟﺰا در اﻟﮕﻮرﻳﺘﻢ ] [8اﺳﺘﻔﺎده ﻣﻲ ﻛﺮد ،ﻣﻲ ﺑﺎﺷﻨﺪ .اﻳﻦ دو روش در ﻣﻘﺎﻳﺴﻪ ﺑﺎ روﻳﻜﺮد ACO واﺣﺪ) ﺷﻤﺎره (9ﻛﻪ از روش رﺗﺒﻪ ﺑﻨﺪي اﺳﺘﻔﺎده ﻣﻲ ﻛﺮد ،ﻗﺎدر ﺑﻪ ﺑﻬﺒﻮد دادن ﺟﻮاب ﻫﺎ ﻧﻤﻲ ﺑﺎﺷﺪ اﻣﺎ ﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه ،ﺑﺎ اﻳﻦ روش ﻗﺎﺑﻞ رﻗﺎﺑﺖ اﺳﺖ .اﻳﻦ ﻣﻬﻢ اﺳﺖ زﻳﺮا روش ﻛﻠﻮﻧﻲ ﭼﻨﺪﮔﺎﻧﻪ ،ﺟﺎﻳﮕﺰﻳﻨﻲ ﺑﺎ اﺳﺘﻔﺎده از روش رﺗﺒﻪ ﺑﻨﺪي ﻣﻮرﭼﻪ ﻫﺎ ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ و ﻣﻤﻜﻦ اﺳﺖ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﺮﻓﺘﻪ ﺗﺮي از اﻳﻦ روش ﺟﺪﻳﺪ ،اﻳﺠﺎد ﺷﻮد .ﺑﻪ ﻋﻼوه اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪ ﮔﺎﻧﻪ ﻳﻚ ﻋﻤﻠﻜﺮد ﻣﻘﺎﻳﺴﻪ اي ) ﻧﻤﺎﻳﺶ ﻧﺴﺒﻲ( در ﻣﻘﺎﺑﻞ روش ﻫﺎي ﺳﻨﺘﻲ ﻓﺮاﻫﻢ ﻣﻲ ﻛﻨﺪ و اﻳﻦ ﺗﺤﻘﻴﻖ ﻫﻤﭽﻨﻴﻦ ﺛﺎﺑﺖ ﻣﻲ ﻛﻨﺪ ﻛﻪ روش اﺟﺘﻤﺎع ﭼﻨﺪﮔﺎﻧﻪ ﺑﺮاي
ﻣﺴﺎﺋﻞ ﺑﺰرﮔﺘﺮ ﻛﻪ ﻧﺘﺎﻳﺞ آن ﺑﺮاي ﻣﺴﺎﺋﻞ C3و C4دﻳﺪه ﺷﺪ ،ﻣﻔﻴﺪ و ﻣﻬﻢ اﺳﺖ .ﺑﺮ اﻳﻦ ﻋﻘﻴﺪه اﻳﻢ ﻛﻪ ﭼﻨﺎﻧﭽﻪ ﺗﻌﺪاد mوﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ اﻓﺰاﻳﺶ ﻳﺎﺑﺪ ، ،اﺳﺘﻔﺎده از ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﺟﺪاﮔﺎﻧﻪ ،ﺑﺎ ﻣﺴﻴﺮ ﻫﺎي ﻓﺮوﻣﻮﻧﻲ ﺟﺪاﮔﺎﻧﻪ ﺑﺮاي ﻫﺮ وﺳﻴﻠﻪ ﻧﻘﻠﻴﻪ ﻣﻔﻴﺪ ﻣﻲ ﺑﺎﺷﺪ .ﺑﻪ اﻳﻦ ﻃﺮز ﺗﻔﻜﺮ رﺳﻴﺪه ﺷﺪه اﺳﺖ ﻛﻪ اﺳﺘﻔﺎده از ﻣﺴﻴﺮ ﻫﺎﻳﻲ ﺑﺎ ﻓﺮوﻣﻮن ﺟﺪاﮔﺎﻧﻪ ﺑﻪ ﻋﻠﺖ ﻧﻴﺎز ﺑﻪ ﻣﺴﻴﺮﻫﺎي ﻣﺤﺘﻤﻞ ﺟﺪاﮔﺎﻧﻪ ﺑﺮاي وﺳﻠﻴﻞ ﻧﻘﻠﻴﻪ ﻣﺘﻔﺎوت ،ﻣﻔﻴﺪ اﺳﺖ .ﺗﺤﻘﻴﻖ دﻳﮕﺮ، ﺗﻀﻤﻴﻦ ﺑﻪ ﻓﻬﻤﻴﺪن رواﺑﻂ ﺑﻴﻦ ﺗﻌﺪاد وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﺣﻞ VRPو ﻧﻴﺎز ﺑﻪ اﺟﺘﻤﺎع ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ﻣﻲ ﻛﻨﺪ.آزﻣﺎﻳﺶ اﻧﺪازه ي ﻣﺴﺎﺋﻞ ﺑﺰرﮔﺘﺮ و وﺳﺎﻳﻞ ﻧﻘﻠﻴﻪ ﺑﺎ ﻇﺮﻓﻴﺖ ﻫﺎي ﻣﺘﻔﺎوت ،ﺑﻴﻨﺶ ﺑﻴﺸﺘﺮي در ﻣﻮرد ﭼﮕﻮﻧﮕﻲ اﺳﺘﻔﺎده از روش ﻛﻠﻮﻧﻲ ﭼﻨﺪﮔﺎﻧﻪ ﺑﺮاي ﺣﻞ VRPاﻳﺠﺎد ﻣﻲ ﻛﻨﺪ .روي ﻫﻢ رﻓﺘﻪ ﺑﺎﻳﺪ ﺑﮕﻮﻳﻴﻢ ﻛﻪ اﻳﻦ رو ﺷﻲ ﺟﺪﻳﺪ ،داراي ﺗﻮاﻧﺎﻳﻲ رﻗﺎﺑﺖ ﺑﺎ دﻳﮕﺮ روش ﻫﺎ . .و داراي ﭘﺘﺎﻧﺴﻴﻞ ﺑﺮاي ﭘﻴﺸﺮﻓﺖ ﺑﻴﺸﺘﺮ اﺳﺖ. ﺗﺠﺮﺑﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ و روش ﻫﺎﻳﻲ ﺑﺮاي ﺗﻌﻴﻴﻦ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﻴﺒﻦ ،ﺑﻪ ﻣﻨﻈﻮر ﻳﺎﻓﺘﻦ ﺟﻮاب ﻫﺎي ﺧﻮب در راﺑﻄﻪ ﺑﺎ ، VRPﻣﻬﻢ ﻣﻲ ﺑﺎﺷﺪ .اﻳﻦ ﺗﺤﻘﻴﻖ از روش ﺷﻜﺴﺖ ) ﻛﺴﺮي( ﺑﺎ ﭼﻨﺪﻳﻦ ﻣﺨﺮج ﻣﺘﻔﺎوت ،ﺑﻪ ﻣﻨﻈﻮر ﺗﻌﻴﻦ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاي ﻫﺮ ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ .ﻧﺘﺎﻳﺞ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﭼﻨﺎﻧﭽﻪ ، nاﻧﺪازه ﻣﺴﺌﻠﻪ ) ﺗﻌﺪاد ﻛﻞ ﻣﺸﺘﺮﻳﺎن ( اﻓﺰاﻳﺶ ﻳﺎﺑﺪ ،ﻣﺨﺮج ﻛﺴﺮ ﺗﻘﺴﻴﻢ ﻣﺸﺘﺮﻳﺎن ،ﺑﻪ ﻣﻨﻈﻮر ﻳﺎﻓﺘﻦ ﺑﻬﺘﺮﻳﻦ ﺟﻮاب اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ .اﻳﻦ ﻧﺘﻴﺠﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ روش ﺷﻜﺴﺖ )ﻛﺴﺮي( ﻛﻪ در ﺗﺤﻘﻴﻘﺎت ﻗﺒﻠﻲ ﻧﻴﺰ اﺳﺘﻔﺎده ﻣﻲ ﺷﺪ ،ﺷﺎﻳﺪ روش ﺧﻮﺑﻲ ﺑﺮاي ﺗﻌﻴﻴﻦ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻧﺒﺎﺷﺪ .ﺑﺮاي ﻫﺮ ﺳﻪ ﻣﺴﺌﻠﻪ ،ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﺎ اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﺑﻴﻦ 10و 20ﻳﺎﻓﺖ ﺷﺪه اﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮ اﻳﻦ ﻋﻘﻴﺪه اﻳﻢ ﻛﻪ اﻧﺪازه ي ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ در اﻳﻦ ﻓﺎﺻﻠﻪ ﺣﻔﻆ ﺷﻮد .و ﻣﺴﺘﻘﻞ از اﻧﺪازه ي ﻣﺴﺌﻠﻪ ) ﺗﻌﺪاد ﻛﻞ ﻣﺸﺘﺮﻳﺎن( ﺗﻌﻴﻴﻦ ﺷﻮد.ﭼﻨﺎﻧﭽﻪ ﻛﻪ در ﺗﺤﻘﻴﻘﺎت ﮔﺬﺷﺘﻪ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻓﺮوﺷﻨﺪه ي دوره ﮔﺮد ] [10ﭘﻴﺸﻨﻬﺎد ﺷﺪه ﺑﻮد .ﺑﻴﺸﺘﺮ ﺗﺤﻘﻴﻘﺎت ﺑﺮ روي اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﺑﺮاي VRPﺑﻪ ﻣﻨﻈﻮر درك ﻫﺮﭼﻪ ﺑﻴﺸﺘﺮ اﻳﻦ ﭘﺪﻳﺪه و ﺗﻼش ﺑﻪ ﺗﻮﺳﻌﻪ ي ﺑﻴﺎن رﻳﺎﺿﻲ ﺑﺮاي ﺗﻌﻴﻴﻦ اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ،ﺗﻼش ﻣﻲ ﻛﻨﺪ و اداﻣﻪ دارد.
در ﺗﺤﻘﻴﻖ ﺑﻌﺪي ﺑﺎﻳﺪ ﻣﺤﻮر ﺗﻮﺟﻪ ﺧﻮد را ﺑﺮ روي ﺑﻬﺒﻮد اﻟﮕﻮرﻳﺘﻢ ACOﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﺴﻴﺮ ﻳﺎﺑﻲ ﺑﺰرﮔﺘﺮ ﻗﺮار دﻫﻴﻢ .اﻳﻦ ﺷﺎﻳﺪ ﺑﻪ وﺳﻴﻠﻪ ﺗﺮﻛﻴﺐ روش ﻫﺎي رﺗﺒﻪ ﺑﻨﺪي Hartl ، Bullnheimerو Strauss ] [9ﺑﺎ روش ﻛﻠﻮﻧﻲ ﻣﻮرﭼﻪ اي ﭼﻨﺪﮔﺎﻧﻪ ﺗﺴﺖ ﺷﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ اﻧﺠﺎم ﺷﻮد ﻳﺎ ﺑﺎ اﻓﺰودن ﻣﻔﺎﻫﻴﻢ دﻳﮕﺮي ﺑﻪ اﻟﮕﻮرﻳﺘﻢ از ﻗﺒﻴﻞ ﺗﻮاﺑﻊ ﺟﺮﻳﻤﻪ اي ﺑﺮاي ﻣﺴﻴﺮﻫﺎﻳﻲ ﺑﺎ ﻣﻄﻠﻮﺑﻴﺖ ﻛﻤﺘﺮ ﻛﻪ اﺧﻴﺮأ در ﺗﺤﻘﻴﻘﺎت ﻫﻮش دﺳﺘﻪ ي زﻧﺒﻮران ﺑﺪان اﺷﺎره ﺷﺪه اﺳﺖ ،اﻧﺠﺎم ﮔﻴﺮد .ﻋﻼوه ﺑﺮ اﻳﻦ ،آزﻣﺎﻳﺶ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺨﺘﻠﻒ در اﻟﮕﻮرﻳﺘﻢ ،اﻳﻦ اﻳﺪه را ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ ﻛﻪ ﻓﻀﺎﻳﻲ ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ﺑﺮاي ﻣﺴﺎﺋﻞ ﺑﺰرﮔﺘﺮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد .روﺷﻲ ﻛﻪ ﭘﺎراﻣﺘﺮ q0از ارزش ﻛﻢ در ﻧﺨﺴﺘﻴﻦ ﻣﺮﺣﻠﻪ ي ﺗﺤﻘﻴﻖ ﺑﻪ ارزش ﺑﻴﺸﺘﺮ در ﭘﺎﻳﺎن ﺗﺤﻘﻴﻖ ﺗﻐﻴﻴﺮ دﻫﺪ ،ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺗﻮاﻧﺎﻳﻲ اﻟﮕﻮرﻳﺘﻢ را ﺑﻬﺒﻮد ﺑﺒﺨﺸﺪ ﺗﺎ ﺗﻨﻬﺎ ﻣﺴﻴﺮﻫﺎي ﮔﻮﻧﺎﮔﻮن اﻧﺘﺨﺎب ﻧﮕﺮدد ﺑﻠﻜﻪ ﺗﻤﺮﻛﺰ روي ﻣﺴﻴﺮﻫﺎي ﺑﺎ ﻓﺮوﻣﻮن ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ.در ﭘﺎﻳﺎن ،روش ACOﺑﺎﻳﺪ ﺑﺮاي دﻳﮕﺮ ﻣﺴﺎﺋﻞ ﻣﺴﻴﺮﻳﺎﺑﻲ ﺑﺎ ﺧﺼﻮﺻﻴﺎت ﮔﺮوه ﻳﮕﺎﻧﻪ از ﻗﺒﻴﻞ ﻣﺴﺌﻠﻪ اﺳﺘﺪﻻﻟﻲ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﻮد .ﻛﻪ در ﺗﺤﻘﻴﻖ [20] Ballouدﻳﺪه ﻣﻲ ﺷﻮد.
در ﭘﺎﻳﺎن ﺗﺮﺟﻤﻪ ﻻزم ﻣﻲ دازم ﻣﻲ داﻧﻢ ﻛﻪ ﻧﻜﺎت زﻳﺮ را ﺑﮕﻮﻳﻢ: -1در اﻳﻦ ﺗﺮﺟﻤﻪ ﻣﻨﻈﻮر از اﻧﺪازه ﻟﻴﺴﺖ داوﻃﻠﺒﻴﻦ ﻛﻪ ﺑﺎرﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ ،ﺗﻌﺪاد ﻣﺸﺘﺮﻳﺎﻧﻲ اﺳﺖ ﻛﻪ در ﻳﻚ ﻣﺴﻴﺮ ﻣﻮﺟﻮد ﻣﻲ ﺑﺎﺷﻨﺪ. -2ﻣﻨﻈﻮر از ﻛﺴﺮ ﺷﻜﺴﺖ n/5و اﻣﺜﺎل آن ،اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺎ ) 5ﺑﻪ اﻧﺪازه ﻣﺨﺮج ﻛﺴﺮ( ﻣﺴﻴﺮ اﻳﺠﺎد ﻛﺮده اﻳﻢ ﻛﻪ در ﻫﺮ ﻣﺴﻴﺮ ،ﺗﻌﺪاد n/5ﻛﻞ ﻣﺸﺘﺮﻳﺎن ﻣﻮﺟﻮد ﻣﻲ ﺑﺎﺷﻨﺪ. ACO -3ﻣﺨﻔﻒ Ant colony optimizationﻣﻲ ﺑﺎﺷﺪ. VRP -4ﻧﻴﺰ ﻣﺨﻔﻒ vehicle routing problemsﻣﻲ ﺑﺎﺷﺪ.
ﻣﺘﺮﺟﻢ :ﺳﺠﺎد ﻋﺒﺎﺳﻲ ﻗﺎﺳﻢ آﺑﺎد – داﻧﺸﺠﻮي رﺷﺘﻪ ي ﻣﻬﻨﺪﺳﻲ ﺻﻨﺎﻳﻊ ﻣﻬﺮ آﺳﺘﺎن ﮔﻴﻼن
References [1] Clark G, Wright JW. Scheduling of vehicles from a central depot to a number of delivery points. Oper Res 1964;12:568–81. [2] Christofides N, Eilon S. An algorithm for the vehicle dispatching problem. Oper Res Quarterly 1969;20(3):309–18. [3] Christofides N, Mingozzi A, Toth P. The vehicle routing problem. In: Christofides N, Mingozzi A, Toth P, Sandi C, editors. Combinatorial Optimization. Chichester: Wiley; 1979. p. 315–38. [4] Gendreau M, Hertz A, Laporte G. A tabu search heuristic for the vehicle routing problem. Manage Sci 1994;40:1276–90. [5] Taillard E. Parallel iterative search methods for vehicle routing problems. Networks 1993;23:661–73. [6] Kelly JP, XU J. A set-partitioning based heuristic for the vehicle routing problem. INFORMS J Comput 1999;11(2):161–72. [7] Osman LH. Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problem. Ann Oper Res 1993;41: 421–51. [8] Bullnheimer B, Hartl RF, Strauss C. Applying the ant system to the vehicle routing problem. In: Voss S, Martello S, Osman IH, Roucairol C, editors. Meta-Heuristics: Advances and Trends in Local Search Paradigms for Optimization. Boston: Kluwer; 1998. [9] Bullnheimer B, Hartl RF, Strauss C. An improved ant system algorithm for the vehicle routing problem. Ann Oper Res 1999;89: 319–28. [10] Dorigo M, Gambardella LM. Ant colonies for the traveling salesman problem. BioSystem 1997;43(1):73–81.
[11] Tarasewich P, McMullen PR. Swarm intelligence: power in numbers. Commun ACM 2002;45(8):62–7. [12] Dorigo M, Di Caro G, Gambardella LM. Ant algorithms for discrete optimization. Artif Life 1999;5:137–72. [13] Dorigo M. Optimization, learning and natural algorithms, Unpublished Doctoral Dissertation Politecnico di Milano, Dipartimento di Elettronica, Italy 1992 [In Italian]. [14] Bland JA. Space planning by ant colony optimization. Int J Comput Appl Technol 1999;(6):320–8. [15] Bauer A, Bullnheimer B, Hartl RF, Strauss C. An ant colony optimization approach for the single machine tool tardiness problem. In: Proceedings of the 1999 Congress on Evolutionary Computation, 1999. p. 1445–50. [16] McMullen PR. An ant colony optimization approach to addressing a JIT sequencing problem with multiple objectives. Artif Intell Eng 2001;15:309–17. [17] Lin S, Kernighan BW. An effective heuristic algorithm for the TSP. Oper Res 1973;21:498–516. [18] Fisher MA. Optimal solution of vehicle routing problems using minimum k-trees. Oper Res 1994;42:626–42. [19] Xu J, Kelly JP. A new network flow-based tabu search heuristic for the vehicle routing problem. Transport Sci 1996;30:379–93. [20] Ballou RH. A continued comparison of several popular algorithms for vehicle routing and scheduling. J Business Logistics 1990;11(1): 111–26