Uygun Dağıtım Rotası Belirlenmesi Probleminde Hibrit Sezgisel Bir Yöntem Önerisi: Bir Kargo Firması Örneği

Öz

Lojistik, bir ürünün bir tedarik noktasından talep noktasına ulaştırılması faaliyetidir. Gezgin Satıcı Problemi, bir noktadan başlayan satıcının rotasındaki tüm noktaları tekrarsız ve en kısa yol uzunluğuyla tamamlaması problemi olarak tanımlanmaktadır. Müşteri taleplerini tam olarak cevap vermek ve maliyetleri minimize edecek şekilde araçların dağıtım rotalarının belirlenmesini amaçlayan Araç Rotalama Problemi, Gezgin Satıcı Probleminin özel bir türüdür. Bu problemler büyük boyutlu problemler olduğu için çözümünde genelde sezgisel yöntemler kullanılır. Sezgisel Yöntemler çözüm uzayını küçülterek optimal çözümü garanti etmeden iyi ve uygulanabilir çözümü bulan yöntemlerdir. Araç Rotalama Problemlerinin çözümünde farklı yöntemler kullanılmaktadır. Sezgisel yöntemler Araç Rotalama Problemi için kullanılabilir. Bu çalışmada iki sezgisel yöntem (Karınca Kolonisi Optimizasyonu ve Genetik Algoritma) birlikte kullanılmıştır. Karınca Kolonisi Optimizasyonu, karıncaların yol bulma yeteneklerinden yola çıkarak yapay karınca kümesi kurularak oluşturulan sezgisel bir yöntemdir. Genetik Algoritma ise genetik özelliklerin nesilden nesille aktarılmasını taklit eden, doğal seleksiyonu örnek alan bir sezgisel arama algoritmasıdır. Çalışmada, kargo firmaları için uygun dağıtım rotalarının bulunması amaçlanmıştır. Bunun için Karınca Kolonisi Optimizasyonu ve Genetik Algoritma’nın çaprazlama operatörünü kullanan hibrit bir sezgisel yöntem önerilmiş ve bir kargo firma için 5 araç kullanılarak bir günlük uygun dağıtım rotası belirlenmiştir.

Anahtar Kelimeler

• Araç Rotalama Problemi,karınca kolonisi optimizasyon,genetik algoritma

Kaynakça

1. Ayan, T.Y. (1999). Sezgisel Araştırmanın Araç Rotalama Problemlerinde Kullanılması ve Sezgisel Metod Denemesi, Yayınlanmamış Doktora Tezi, Atatürk Üniversitesi, Sosyal Bilimleri Enstitüsü, Erzurum.
2. Clarke, G., ve Wright, J. W. (1964). Scheduling of vehicles from a central depot to a number of delivery points. Operations research, 12(4), 568-581.
3. Cura, T. (2008). Modern Sezgisel Teknikler ve Uygulamaları, Papatya Yayıncılık, İstanbul.
4. Çalışkan, K. (2011). Karınca kolonisi optimizasyonu ile araç rotalama probleminin maliyetlerinin kümeleme tekniği ile iyileştirilmesi, Yayınlanmamış Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
5. Dantzig, G. B. ve Ramser, J. H. (1959). The truck dispatching problem. Management Science, 6(1), 80-91.
6. Dorigo, M., Maniezzo, V. ve Colorni, A. (1991). Positive feedback as a search strategy. Dipartimento di Elettronica, Politecnico di Milano (pp. 91-016). Italy, Tech. Rep. 91-016.
7. Erel, R. (1995). Taşıt Rotalaması ve Çizelgelemesi: Otobüsle Kentler arası Yolcu Taşımacılığı için Bir Model, Yayınlanmamış Doktora Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
8. Goel, R. ve Maini, R. (2018). A hybrid of ant colony and firefly algorithms (HAFA) for solving vehicle routing problems. Journal of Computational Science, 25, 28-37. DOI:10.1016/j.jocs.2017.12.012

9. Güngör, İ., ve Ergülen, A. (2006). Bulanık Araç Rotalama Problemlerine Bir Model Önerisi ve Bir Uygulama. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13(1), 53-60.
10. Huang, Y. H., Blazquez, C. A., Huang, S. H., Paredes-Belmar, G., ve Latorre-Nuñez, G. (2019). Solving the Feeder Vehicle Routing Problem using ant colony optimization. Computers and Industrial Engineering, 127,520-535. DOI:10.1016/j.cie.2018.10.037
11. Kaya, K. (2017). Hetorejen Araç Filolu parçalı Teslimatlı Açık veya Kapalı Uçlu Rotalar İçerebilen Araç Rotalama Problemi, Yayınlanmamış Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
12. Kızıloğlu, K. (2017). Stokastik talepli çok depolu araç rotalama problemi için sezgisel bir çözüm yaklaşımı. Yayınlanmamış Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
13. Laporte, G. (2010). The Traveling Salesman Problem, the Vehicle Routing Problem, and Their Impact on Combinatorial Optimization. International Journal of Strategic Decision Sciences (IJSDS), 1(2), 82-92. DOI: 10.4018/jsds.2010040104
14. Li, Y., Soleimani, H., ve Zohal, M. (2019). An improved ant colony optimization algorithm for the multi-depot green vehicle routing problem with multiple objectives. Journal of cleaner production, 227, 1161-1172. DOI:10.1016/j.jclepro.2019.03.185
15. Luan, J., Yao Z., Zhao F. ve Song X. (2019). A novel method to solve supplier selection problem: Hybrid algorithm of genetic algorithm and ant colony optimization. Mathematics and Computers in Simulation, 156, 294-309. DOI:10.1016/j.matcom.2018.08.011
16. Nabiyev, V. V. (2013). Yapay Zekâ: Problemler, Yöntemler, Algoritma, Genişletilmiş ve Güncelleştirilmiş 5. Baskı, Seçkin Yayınevi, Ankara.
17. Reeves, C.R. (1995), Modern Heuristic Techniques for Combinatorial Problems, McGraw-Hill, London. Toth, P. ve Vigo D. (2002). The Vehicle Routing Problem, SIAM Monographs on Discrete Mathematics and Applications.
18. Umbarkar, A. J. ve Sheth, P. D. (2015). Crossover operators in genetic algorithms: a review. ICTACT Journal on soft computing, 6(1). DOI: 10.21917/ijsc.2015.0150
19. Wang, Y., Wang L., Peng, Z., Chen, G., Cai, Z.ve Xing, L. (2019). A Multi Ant System based hybrid heuristic algorithm for Vehicle Routing Problem with Service Time Customization, Swarm and Evolutionary Computation, 50, 100563. DOI:10.1016/j.swevo.2019.100563
20. Yakıcı, E. (2017). A heuristic approach for solving a rich min-max vehicle routing problem with mixed fleet and mixed demand, Computers and Industrial Engineering, 109, 288-294. Doi:10.1016/j.cie.2017.05.001
21. Yazgan, H. R., ve Büyükyılmaz, R. G. (2018). Eş zamanlı topla dağıt araç rotalama problemine sezgisel bir çözüm yaklaşımı, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, 436-449
22. Zhang H., Zhang Q., Ma L., Zhang Z. ve Liu Y. (2019). A hybrid ant colony optimization algorithm for a multi-objective vehicle routing problem with flexible time windows. Information Sciences, 490, 166-190. DOI:10.1016/j.ins.2019.03.070