УДК 004.

023

Ш. З. КАШАЕВ
kashaev.schamil@yandex.ru
Науч. руковод. – д-р техн. наук, проф. А. Ф. ВАЛЕЕВА

Уфимский государственный авиационный технический университет

РЕШЕНИЕ ЗАДАЧИ МАРШРУТИЗАЦИИ ТРАНСПОРТНЫХ СРЕДСТВ С

МНОЖЕСТВОМ ДЕПО ДЛЯ ДОСТАВКИ РАЗЛИЧНЫХ ГРУЗОВ

Аннотация: Объектом исследования является задача маршрутизации

транспортных средств. В работе приводятся результаты проведенного анализа
предметной области, обзора задачи маршрутизации транспортных средств с
множеством депо, анализ методов решения задач маршрутизации.
Ключевые слова: маршрутизации транспортных средств; множество депо;
транспортная логистика, эвристические методы, генетический алгоритм.

Введение
Существует несколько уровней транспортных перевозок: внутрицеховые,
перевозки в предприятии, перевозки между городами, регионами, странами,
перевозки межконтинентального уровня. Целью оптимизации транспортной
логистики является минимизация затрат необходимых для перевозок. В качестве
затрат выступают разные ресурсы, такие как: стоимость обслуживания ТС, время,
человеческий труд и т.д..
Задача транспортной логистики – оптимизация транспортных
грузоперевозок. Это обусловлено тем, что затраты на транспортные операции, по
разным оценкам составляют от 30-50% от общих логистических затрат [1].
Денежные траты на обслуживание транспортных средств являются большей
частью всех транспортных издержек. Также стоит заметить, что цены на
обслуживание поднимаются каждый год.
При перевозках из одного пункта в другие возникает проблема выбора
рационального маршрута. Для составления маршрутов перевозок, с
минимальными издержками, существуют транспортно-логистические услуги. На
сегодняшний день для составления маршрутов практически все компании
используют автоматизированные системы. Такой подход позволит снизить
затраты от 15% до 35% [2].
Обзор задачи маршрутизации
Задача маршрутизации ТС (VRP – Vehicle Routing Problem) была
представлена в 1959 году [3]. Имеется множество транспортных средств и
множество клиентов, которых необходимо посетить. Также задаются
ограничения: транспортное средство начинает и заканчивает свой путь в депо и
клиент может быть обслужен только одним ТС. Необходимо составить маршрут
для транспортных средств, при прохождении которого затраты были бы
минимальны. Данная задача является NP-трудной, это означает, что сложность
экспоненциально зависит от входных данных.
Существует несколько известных вариаций задачи маршрутизации, такие
как: CVRP с ограниченной грузоподъемностью ТС, MDVRP с множеством депо,
VRPTW с временными окнами, VRPSD с раздельной доставкой и т.д..
Задача маршрутизации ТС с несколькими депо (MDVRP – Multi Depot
Vehicle Routing Problem) является расширением СVRP. Заключается в
нахождении плана маршрутов для парка ТС с одинаковыми ограничениями на
грузоподъемность, расположенных в разных депо и обслуживающих множество
клиентов, так чтобы затраты были минимальны. Пример решения такой задачи
представлен на рисунке 1.

Рисунок 1 – Пример решения задачи маршрутизации ТС с несколькими депо

Входные данные задачи: 2 депо и 12 клиентов. Решениями являются 2 маршрута
для депо А и 3 маршрута для депо В:
 Депо A – Маршрут 1 (А-1-2-3-А) и Маршрут 2 (А-4-5-А)
 Депо B – Маршрут 3 (B-7-6-B), Маршрут 4 (B-8-9-B) и Маршрут 5 (B-
10-B)
Методы решения и оценка эффективности
Существует несколько походов к решению задач маршрутизации:
1. Точные методы (Exact Approaches).
Точные методы, перебирают все возможные варианты решения, пока не
будет достигнуто оптимальное. Такой подход не выгоден при решении таких
типов задач, так как, при увеличении размеров входных данных, время решения
экспоненциально растет. Примерами методов данного класса являются: метод
ветвей и границ, метод ветвей и отсечений.
2. Эвристические методы (Heuristics).
Эвристические алгоритмы, при больших размерах входных данных,
позволяют находить рациональные решения за приемлемое время. Эвристика не
гарантирует получение оптимального решения. Эвристические методы делятся на
2 класса: простые эвристики и метаэвристики. Эвристические алгоритмы часто
применяются для решения задач класса NP-трудных.
3. Метаэвристические методы (Meta-Heuristics).
Являются подклассом эвристических методов. Примерами метаэвристик
являются: имитация отжига, поиск с запретами генетический алгоритм,
муравьиный алгоритм.
4. Простые эвристики (Simple Heuristics). Примеры простых эвристик:
сохранение, заметание, двухфазный алгоритм.
Так как задача маршрутизации ТС с несколькими депо является NP-
трудной, то для нахождения решения было бы эффективней применение
эвристических алгоритмов.
Далее представлена общая схема решения задачи маршрутизации ТС с
несколькими депо. Решение будет состоять из 3-х частей:
 1. Распределение клиентов по депо.
2. Построение начальных маршрутов для каждого депо.
3. Построение рациональных маршрутов для каждого депо.
Для решения была выбрана метаэвристика генетический алгоритм. Этот
метод основан на работе с популяцией решений и генетических операторах. Для
сравнения были взяты 2 модификаций алгоритма: генетического алгоритма с
мутацией и генетического алгоритма со скрещиванием, мутацией и с
использованием стратегии элитизма.
Эксперимент 1. Эксперимент 1 проводился на наборе данных из 2 депо и
22 клиентов. В депо разные парки ТС. Для тестового набора известны названия
населенных пунктов, в которых находятся депо и клиенты, спрос каждого
клиента, парки ТС с грузоподъемностью и расходом. Количество итераций для
генетических алгоритмов было взято 15 и 30. Размеры популяции были взяты 15 и
30. Количество элитных особей для генетического алгоритма со скрещиванием,
мутацией и с использованием стратегии элитизма было взято 5 и 10.
Результаты работы алгоритмов с первым тестовым набором представлены в
таблице 1. В ячейках указаны цены конечных маршрутов доставки в рублях. В
скобках указаны количество итераций и размер популяций, а также для
генетического алгоритма со скрещиванием, мутацией и с использованием
стратегии элитизма указано количество элитных особей. ГАм – генетический
алгоритм с мутацией, ГАсмэ - генетический алгоритм со скрещиванием, мутацией
и с использованием стратегии элитизма.

Таблица 1 – Сравнение результатов работы алгоритмов для задачи

маршрутизации ТС с множеством депо на первом наборе данных
№ ГАм(15,15) ГАсмэ(15,15,5) ГАм(30,30) ГАсмэ(30,30,10)
1 124214,08 124232,8 124214,08 122066,6
2 123978,69 122841,42 124214,08 122841,42
3 124214,08 124177,69 122738,5 122841,42
4 124214,08 122841,42 122841,42 122066,6
Продолжение таблицы 1
5 125923,11 122066,6 123964,27 122066,6

Эксперимент 2. Эксперимент 2 проводился на наборе данных из 2 депо и

22 клиентов. В депо разные парки ТС. Для тестового набора известны названия
населенных пунктов, в которых находятся депо и клиенты, спрос каждого
клиента, парки ТС с грузоподъемностью и расходом. Количество итераций для
генетических алгоритмов было взято 15 и 30. Размеры популяции были взяты 15 и
30. Количество элитных особей для генетического алгоритма со скрещиванием,
мутацией и с использованием стратегии элитизма было взято 5 и 10.
Результаты работы алгоритмов со вторым тестовым набором представлены
в таблице 2.

Таблица 2 – Сравнение результатов работы алгоритмов для задачи

маршрутизации ТС с множеством депо на втором наборе данных
№ ГАм(15,15) ГАсмэ(15,15,5) ГАм(30,30) ГАсмэ(30,30,10)
1 102922,55 94366,98 97105,08 85281,02
2 103559,67 93993,37 97138,92 84199,96
3 107144,30 95738,54 94138,53 83867,50
4 101497,52 89880,82 98801,16 84046,45
5 104869,84 90168,64 97279,69 85765,40

Вывод: по результатам из таблиц 1 и 2 можно сделать вывод о том, что

генетический алгоритм со скрещиванием, мутацией и стратегией элитизма дает
лучшие решения по сравнению с генетическим алгоритмом только с мутацией.

СПИСОК ЛИТЕРАТУРЫ

1. Алесинская T.В. Основы логистики. Общие вопросы логистического управления:

Учебное пособие. – Таганрог: Изд-во ТРТУ, 2005. – 121 с.
2. Моргунов В.И., Джабраилов А.Э. Маркетинг. Логистика. Транспортно-складские
логистические комплексы – М.: Издательско-торговая корп. «Дашков и К», 2010. – 388 с.
3. B. Dantzig, J. H. Ramser. The Truck Dispatching Problem: Management Science. – 1959. –
vol. 6, no. 1 – pp. 80 – 91.