Machine Translated by Google

Revista egipcia de informática 24 (2023) 100403

Listas de contenidos disponibles en ScienceDirect

Revista de informática egipcia

página de inicio de la revista: www.sciencedirect.com

Resolver el problema de rutas de vehículos con ventanas de tiempo utilizando un algoritmo

de juego de fútbol modificado

Zakir Hussain Ahmed * , Fateme Maleki b , Majid Yousefikhoshbakht C, Habibolá Haron d

a
Departamento de Matemáticas y Estadística, Facultad de Ciencias, Universidad Islámica Imam Mohammad Ibn Saud (IMSIU), Riad, Reino de Arabia Saudita
b
Departamento de Ciencias de la Computación, Facultad de Matemáticas, Universidad de Sistán y Baluchistán, Zahedan, Irán
C
Departamento de Matemáticas, Facultad de Ciencias, Universidad Bu­Ali Sina, Hamedan, Irán
d
Facultad de Computación, Universiti Teknologi Malaysia, Johor Bahru 81310, Malasia

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: El problema de generación de rutas de vehículos con ventanas de tiempo (VRPTW) es un problema famoso en logística y transporte que tiene
búsqueda heurística
muchas aplicaciones en la vida real. El objetivo del problema es encontrar la distancia mínima recorrida por un conjunto de vehículos que salen
Metaheurística
juntos del almacén y visitan a unos clientes prefijados en determinados plazos. En este artículo, se propone un algoritmo de optimización
Algoritmo de juego de fútbol
eficiente, llamado algoritmo de juego de fútbol modificado (MFGA), para resolver el VRPTW como un problema NP­difícil. MFGA imita el
Problema de rutas de vehículos con ventanas de tiempo
Punto de referencia de Salomón comportamiento de los jugadores de fútbol durante un partido para encontrar las mejores posiciones para marcar un gol bajo la supervisión de

Problema NP­difícil un entrenador del equipo. En el algoritmo presentado, se presenta un nuevo método para crear una solución inicial para el problema VRPTW.
Además, se ha diseñado un método más eficiente para crear una nueva ubicación para el jugador, lo que hace que el algoritmo sea más
eficiente. El rendimiento de la MFGA propuesta se valida frente a las instancias de referencia VRPTW de Solomon. Los resultados experimentales
confirman que MFGA produce resultados competitivos en comparación con varios algoritmos de última generación en términos de diversos
indicadores de calidad de la solución. El algoritmo propuesto obtiene 17 soluciones más conocidas (BKS) y mejora 12 BKS en la literatura.

1. Introducción
Hoy en día, el transporte es considerado uno de los componentes importantes de la
economía nacional y, debido a su papel infraestructural, tiene una gran influencia en el
proceso de crecimiento económico de cada país. Esta sección incluye actividades que
están muy extendidas en todos los campos. La producción, distribución y consumo de
bienes y servicios es constante y juega un papel innegable en el conjunto de las
actividades económicas. Sin la red de transporte, las instalaciones y equipos auxiliares y
la flota deseada, el crecimiento y desarrollo general del país no existe y parece imposible.
Básicamente, en el crecimiento y desarrollo de la economía y el comercio mundial en el
momento actual y su proceso de expansión no se puede subestimar el papel de los
sistemas de transporte en la optimización de costos, tiempo de viaje, velocidad de
movimiento, seguridad y nivel de servicio.
Una red de transporte confiable se considera una de las necesidades básicas.
Algunos incluso creen que el transporte es una de las herramientas básicas del desarrollo.
En el pasado, debido a que el transporte se consideraba una necesidad secundaria para
satisfacer necesidades primarias como negocios, viajes, empleo, etc., no se abordaba
adecuadamente. Pero el crecimiento y el desarrollo de la economía global, los esfuerzos
de los países por hacer un uso óptimo de las capacidades y oportunidades a su
disposición y el endurecimiento de la competencia en los escenarios globales llevaron al
hecho de que el transporte, debido a su papel directo en la reducción de la costos de
producción y acceso al mercado, y finalmente aumentar la capacidad de competir en el
campo del comercio internacional, especialmente para países con un alto volumen de
comercio exterior (exportaciones e importaciones), tiene una alta posición en gestión,
planificación e inversión, e incluso investigación. El efecto de esta característica ha
provocado que se cambien las actitudes pasadas hacia el transporte y que se considere
al transporte como un importante sector económico de servicios.

El transporte en su sentido integral, incluyendo gestión, infraestructura y

superestructura (flota), es una de las necesidades básicas de las sociedades actuales, El problema de ruteo de vehículos (VRP) es un tipo importante de problema de
por lo que en cada país, para incrementar su poder económico, cultural, de seguridad y transporte, que tiene muchas aplicaciones en la vida real, como la logística y el
político, tener un extenso y transporte. Este problema es un NP­difícil [1] que necesita

* Autor correspondiente.
Dirección de correo electrónico: zaahmed@imamu.edu.sa (ZH Ahmed).

https://doi.org/10.1016/j.eij.2023.100403 Recibido el 28
de enero de 2023; Recibido en forma revisada el 1 de julio de 2023; Aceptado el 21 de septiembre de 2023 Disponible en
línea el 10 de octubre de 2023
1110­8665/© 2023 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Computación e Inteligencia Artificial de la Universidad de El Cairo. Este es un acceso abierto.
artículo bajo la licencia CC BY­NC­ND (http://creativecommons.org/licenses/by­nc­nd/4.0/).
Machine Translated by Google
ZH Ahmed et al.
Fig. 1. Representación esquemática de la penalización por hiperradio al comienzo del
proceso de optimización.
Fig. 2. Representación esquemática de FP al inicio del proceso de optimización.
Encuentre un conjunto óptimo de rutas para atender a varios clientes con algunos
vehículos. En este problema existen una serie de clientes en una zona geográfica con
un almacén de modo que cada cliente necesita una determinada cantidad de mercancía
que debe ser entregada mediante una flota fija de vehículos. El objetivo es determinar
un conjunto de recorridos que comienzan y terminan en el almacén, siempre que:
Cada cliente sea visitado
exactamente una vez por un vehículo.
La demanda total de los clientes de cada tour no debe exceder la capacidad
Capacidad del vehículo, que se considera Q.
Obtenga el costo total más bajo para todos los recorridos en vehículo.
La aparición de nuevos problemas en el mundo real provocó que se impusieran
otras restricciones al problema y otras versiones del problema de rutas abiertas para
vehículos (los vehículos no regresan al almacén después de completar su misión y
desandan su ruta en los mismos nodos finales). hasta el final), el problema de VRP
con la recogida y entrega de mercancías (cada
Fig. 3. El pseudocódigo del algoritmo de un juego de fútbol.
2
Revista egipcia de informática 24 (2023) 100403
el cliente puede tener una solicitud de entrega y recepción de la mercancía y puede
resolver esta solicitud solo una o más veces mediante varios vehículos), el problema
del VRP heterogéneo (los vehículos pueden ser diferentes entre sí y diferentes en
términos de capacidad) y Problema de enrutamiento de vehículos con backhauls
(algunos nodos deben visitarse antes que otros) [2–5]. El VRP con ventanas de tiempo
(VRPTW) es otra extensión difícil del VRP en la industria y en la práctica. Aquí, cada
cliente debe ser visitado por un solo vehículo durante un intervalo de tiempo definido
en función de las limitaciones de capacidad. El objetivo del problema es encontrar la
distancia mínima recorrida por un conjunto de vehículos que salen juntos del almacén
y visitan a unos clientes prefijados en determinados plazos.
Muchos investigadores han propuesto métodos exactos y aproximados, incluidos
métodos heurísticos/metaheurísticos, para el problema de optimización [6­8] y sus
versiones especializadas. Los métodos exactos pueden lograr soluciones óptimas,
pero sólo se sugieren para casos de problemas de tamaño pequeño. Estos algoritmos
tienen un rendimiento deficiente para instancias de problemas de gran tamaño debido
al alto tiempo de cálculo. Por lo tanto, los investigadores prefieren utilizar métodos
aproximados para encontrar rápidamente soluciones cercanas a las óptimas. Ejemplos
de enfoques aproximados para VRPTW que incluyen el algoritmo de búsqueda de
armonía (HAS) [9] , el algoritmo memético (MA) [10], la búsqueda tabú (TS) [11], la
búsqueda de vecindad variable (VNS) [12],
etc.
Taha et al. [13] presentaron un algoritmo bat combinado con una búsqueda de
vecindario grande (LNS) para VRPTW. En el algoritmo LNS, para su correcto
desempeño en el espacio posible del problema y su búsqueda global, se utilizó un
mecanismo eficiente llamado generación de una gran vecindad, lo que resultó en la
obtención de soluciones de calidad al problema.
En [9], se propuso un algoritmo híbrido basado en el método de armonía adaptativa
para resolver el VRPTW. Dado que el método propuesto tiene un buen rendimiento
para la búsqueda global del espacio de soluciones, se utilizan varios algoritmos de
búsqueda de vecinos para aumentar la efectividad de la solución en la búsqueda local.
Además, en [14] se presentó un método híbrido de recocido simulado (SA) para el tipo
VRPTW multiobjetivo que utiliza múltiples temperaturas . En este caso se plantean
dos objetivos simultáneamente, que incluyen minimizar la distancia recorrida y
equilibrar las rutas. El segundo objetivo es minimizar el desequilibrio entre la distancia
recorrida por los vehículos y el total de artículos recibidos por los clientes. Se observa
que el primer balance crea justicia entre los conductores de vehículos y, en la medida
de lo posible, hace que sus jornadas de trabajo sean similares. El segundo equilibrio
se utiliza, por ejemplo, para los casos en los que existe un sentimiento de relativa
satisfacción entre todos los clientes.
Nagata [15] propuso un algoritmo memético para resolver el VRP, que se utilizó
para proponer un algoritmo memético híbrido para el VRPTW. Este algoritmo utiliza
una función de penalización para escapar de soluciones inviables. Además, Nagata y
¨
Braysy [16] utilizaron algunos algoritmos estructurales para generar las soluciones
factibles iniciales, que fueron capaces de generar soluciones de calidad relativamente
alta en un momento aceptable. Además, el cruce presentado en [17] se consideró y
utilizó para el VRPTW. En otras palabras,
Machine Translated by Google
ZH Ahmed et al.
Fig. 4. Las posiciones Xt
Fig. 5. Algoritmo de escalada.
El uso de una nueva función de penalización intentó evitar que se violara la ventana
de tiempo. Además, en [18] se propuso un modelo de gráficos múltiples para
VRPTW y luego utilizaron un algoritmo híbrido basado en una búsqueda de vecindad
adaptativa grande para resolver este problema. Además, se utilizó una nueva
estructura de datos y programación dinámica para configurar el multigráfico, lo que
pudo proporcionar muy buena calidad para responder problemas. En [5], el VRPTW
fue resuelto por un ACO, y para aumentar su eficiencia utilizaron un algoritmo de
ahorro [19], mecanismo de intercambio local y búsqueda local. Se realizaron
modificaciones al algoritmo que cambió la configuración de feromonas, la
presentación de cualquier método nuevo para mejorar aún más la solución y el uso
de una lista de candidatos para seleccionar la siguiente hormiga.
Estas modificaciones permitieron que el algoritmo tuviera una buena eficiencia en la
intensificación y diversificación, evitando así una convergencia prematura y pasando
de la optimización local a la optimización global.
En [8], para resolver el VRPTW, se propone un algoritmo de búsqueda híbrido
basado en algoritmos de armonía que consta de dos subalgoritmos HAS­optimizer
y HAS­solver. En este algoritmo, primero se utiliza el optimizador HSA para poder
configurar de manera óptima los componentes del segundo algoritmo y crear la
solución al problema, y luego el algoritmo HSA­solver considera la solución obtenida
por el primer algoritmo como entrada y mejora. mediante el uso de varios algoritmos
de búsqueda de vecindad. El algoritmo logra excelentes resultados en comparación
con otros algoritmos heurísticos/metaheurísticos y puede usarse para parametrizar
otros valores de algoritmos heurísticos, configurar y actualizar el sistema local.
3
Revista egipcia de informática 24 (2023) 100403
yo ,
xtpelota y Xt­ 1 yo .
algoritmo de búsqueda, así como actualizar otros algoritmos metaheurísticos.
El algoritmo de juego de fútbol (FGA) es una nueva metaheurística para resolver
problemas de optimización global continua propuestos en [20]. Este algoritmo imita
el comportamiento de los jugadores de fútbol durante un partido para encontrar las
mejores posiciones para marcar un gol bajo la supervisión de un entrenador del
equipo. En este artículo, dado que VRPTW es NP − difícil, proponemos un FGA
modificado (MFGA) como un nuevo método aproximado [21­25] y adaptamos sus
operadores para resolverlo como un problema discreto por primera vez. Además,
hemos utilizado el método de escalada de colinas (HC) como método de búsqueda
local en el que se genera una nueva solución mediante tres métodos de vecindad.
Los resultados en los puntos de referencia VRPTW de Solomon muestran que
nuestro MFGA propuesto es capaz de encontrar soluciones de alta calidad en
comparación con otros algoritmos heurísticos/metaheurísticos.
El documento está organizado de la siguiente manera: el FGA se presenta en la
Sección 2 y el enfoque MFGA propuesto se explica en la Sección 3. En la Sección
4, el diseño de experimentos y los resultados de los experimentos se discutirán y se
compararán a través del estado. métodos de última generación. Por último, la
Sección 5 presenta las discusiones y conclusiones.
2. Algoritmo de juego de fútbol
La FGA es una nueva metaheurística que se utilizó en primer lugar para resolver
problemas de optimización global continua. Debido al muy buen desempeño de
este algoritmo, en los últimos años se ha intentado utilizar este
Machine Translated by Google

ZH Ahmed et al.
Revista egipcia de informática 24 (2023) 100403

jugadores y llega al jugador con la mejor posición. Cabe señalar que es deber del entrenador
identificar a los mejores abridores en la posición correcta y utilizar tácticas que finalmente
hagan llegar el balón a estos jugadores. Un punto muy importante en el juego de fútbol, que
también se utiliza en el algoritmo, es que el entrenador puede reemplazar a los jugadores que
no son de buena calidad por otros jugadores durante el juego. En otras palabras, en el algoritmo
propuesto, un miembro de la población que no tiene un valor de función objetivo de calidad
puede ser eliminado de la población, y dado que el entrenador conoce bien las soluciones
durante la implementación del algoritmo, una solución con un Se puede reemplazar un buen
valor de función objetivo.

Esta estrategia continúa hasta llegar al punto u objetivo óptimo hasta el final del juego, que es
el tiempo de todo el algoritmo.

2.1. Movimiento general de jugadores.

Según el fútbol, si un jugador no está bajo las órdenes de su entrenador, entonces

simplemente camina por el campo sin portería o se dirige hacia el balón. Eso sí, en ambos
casos, cada jugador tiene el objetivo de llegar a su mejor lugar en el campo para tener una
mejor posición para anotar. Se observa que durante el juego, un lugar muy importante que los
demás jugadores siempre desean es la posición del jugador que tiene el balón. Entonces, el
otro objetivo de los jugadores es acercarse al jugador con el balón (Xt ball), recibirlo y crear una
mejor posición para su equipo.

Fig. 6. Diagrama de flujo del algoritmo propuesto.

Como resultado, la Fórmula (1) muestra la posición del jugador en la repetición t.
En esta fórmula, β [0.1] y ε [ − 1, 1] son dos variables aleatorias que siguen una distribución
Tabla 1
uniforme. α > 0 también es un parámetro establecido por el usuario que toma valores en función
Variables y parámetros de MFGA.
del problema que resuelve el algoritmo. El valor del parámetro alfa puede ser muy importante
Nombre Valor para la búsqueda local o global del algoritmo porque al disminuir este valor, el algoritmo busca

β Calculado por la Ecuación (7) 0.9 localmente y la potencia del algoritmo aumenta en intensificación, mientras que al aumentar el
λ(inecuación 4) algoritmo tiende a la búsqueda global o a diversificarse. ­sificación. Al disminuir gradualmente
distancia especificada (SD) 100
este parámetro, el algoritmo se puede cambiar de búsqueda global al inicio del algoritmo a
Tamaño de la población 20
búsqueda local finalmente.
(N) Tamaño de la memoria del N/2
entrenador (CMS) 0,7
h (inecuación 8) Criterio de parada NI = 10
para MFGA Criterio de parada para HC NI = 300
1 _ 1)
−Xt−yo
xt = Xt− ii + αiε + β ( Xt (1)
pelota

También en el paso t se muestra el jugador que tiene el balón. Sin embargo, aunque la
algoritmo para el problema del viajante y el problema de rutas de vehículos, aunque no ha
transferencia del balón entre jugadores es generalmente aleatoria, es más probable que el
podido lograr las mejores soluciones [26,27]. Fue sugerido en [20] e inspiró el comportamiento
jugador o miembro de la población que tiene una mejor posición o función de portería sea el
de los jugadores de fútbol que intentan encontrar las mejores posiciones en el juego. A
dueño del balón. Cabe señalar aquí que la fórmula (2) puede proporcionar una fórmula para la
diferencia de otros algoritmos existentes, el FGA utiliza diferentes estrategias para crear un
variable para considerar alfa gradualmente. En esta fórmula, θ (0.1] y α0 son la cantidad de
equilibrio entre la combinación de diversificación e intensificación. El algoritmo FGA utiliza la
inteligencia colectiva de los humanos, a diferencia de muchos algoritmos que utilizan inteligencia parámetro constante e inicial que se seleccionan aleatoriamente.

de enjambre animal. Es decir, en este algoritmo, como en un equipo de fútbol cuyo objetivo es
marcar un gol, el objetivo es conseguir la mejor solución posible al problema. Para poder utilizar αi = α0θt (2)
este algoritmo en un problema de optimización, necesitamos crear una simulación completa
entre todos los componentes de un problema de optimización con un partido de fútbol de la
2.2. Entrenamiento
siguiente manera:

El entrenador es muy importante en el fútbol porque puede lograr un buen resultado

considerando el juego, utilizando las tácticas adecuadas y cambiando de jugadores. Por lo
tanto, a pesar de lo que se ha dicho sobre el movimiento de los jugadores, un entrenador de
(i) El campo de fútbol, el tiempo de fútbol y los jugadores de fútbol en el algoritmo
equipo juega un papel clave a la hora de mover a los jugadores y guiarlos a ubicaciones más
propuesto son el espacio factible del problema, la cantidad de tiempo para ejecutar el
efectivas. Alternativamente, la memoria del algoritmo completa sus hallazgos cuando se
algoritmo y la población inicial del problema.
ejecuta, al igual que la memoria del entrenador (CM), y guarda en todo momento las mejores
soluciones y sus valores como las mejores posiciones en el campo. Por lo tanto, es muy bueno
(ii) Toda la población inicial en la que el algoritmo comienza a funcionar son los mismos
asignar un tamaño de población inicial en el algoritmo como tamaño de memoria del entrenador
jugadores del equipo que están atacando todo el tiempo y quieren marcar tantos goles
(CMS) para que pueda almacenar estas importantes soluciones.
como sea posible.
(iii) En este algoritmo, se supone que todos los jugadores oponentes en el juego tienen los
El propósito general del uso de esta memoria es que el algoritmo utilice las siguientes dos
mismos puntos óptimos locales dentro del espacio de búsqueda.
estrategias, al igual que la versión natural, para lograr el objetivo principal de marcar goles en
Por tanto, estos jugadores de este equipo no prestan atención a los jugadores del
el campo de fútbol y lograr la mejor solución posible en el algoritmo.
primer equipo y no intentan marcar goles.

Estrategia de ataque: Porque el objetivo principal del juego de fútbol es marcar goles y la
Si se considera lo mismo la posición digna de un jugador que la respuesta de calidad de
forma general de lograr este objetivo es que los defensores y mediocampistas tienen que
uno de los miembros de la población inicial, el objetivo es que cada jugador esté alrededor del
moverse hacia el campo del oponente y aplastar a ese equipo para obtener mejores
balón de fútbol y el balón pase entre los
oportunidades para ellos. Ahora,

4
Machine Translated by Google

ZH Ahmed et al. Revista egipcia de informática 24 (2023) 100403

Tabla 2
Los resultados obtenidos por MFGA.

BKS MFGA
conjunto de datos DT Nevada Árbitro Licenciatura COMO estándar Nevada Brecha Covar

C1­01 828.94 10 [32] 828.94 828.94 0.00 10 0.00 0.00

C1­02 828.94 10 [32] 828.94 828,94 0.00 10 0.00 0.00
C1­03 828.06 10 [32] 828.06 832.03 4.19 10 0.00 0,50
C1­04 824,78 10 [32] 824,78 850.10 10.01 10 0.00 1.17
C1­05 828.94 10 [32] 828.94 828,94 0.00 10 0.00 0.00
C1­06 828.94 10 [32] 828,94 828,94 0.00 10 0.00 0.00
C1­07 828.94 10 [32] 828.94 828.94 0.00 10 0.00 0.00
C1­08 828.94 10 [32] 828,94 828.94 0.00 10 0.00 0.00
C1­09 828.94 10 [32] 828.94 828.94 0.00 10 0.00 0.00
Promedio (C1) 828.38 10.0 828,38 831.63 1,57 10.00 0.00 0,19
R1­01 1642.87 20 [30] *1584 1609.50 14.00 19 − 3,58 0,86
R1­02 1472.62 18 [30] *1374,2 1410.90 15,77 dieciséis − 6,68 1.11
R1­03 1213.62 14 [32] *1158.90 1191.30 15,85 13 − 4,50 1.33
R1­04 982.01 10 [32] 996,95 1007.10 7.29 11 1,52 0,72
R1­05 1360.83 15 [30] *1355.30 1365.70 7.23 15 − 0,40 0,52
R1­06 1241.518 13 [30] *1212.10 1231.30 6,32 13 − 2,36 0,51
R1­07 1076.125 11 [30] *1075.50 1084.10 2,69 11 − 0,05 0,24
R1­08 948.573 10 [30] 959,88 965.35 4.14 10 1.19 0,42
R1­09 1151.839 13 [30] 1155.80 1169.10 9.70 12 0,34 0,82
R1­10 1080.36 11 [32] 1092.40 1098.80 3.72 12 1.11 0,33
R1­11 1053.49 12 [30] 1059.20 1066.80 8.11 12 0,54 0,76
R1­12 953.63 10 [32] 979.05 982.42 4.01 10 2.66 0,40
Promedio (R1) 1181,45 13.08 1166,90 1181,90 8.23 12.83 − 1,23 0,69
RC1­01 1623,58 15 [32] *1595,90 1626,90 21.11 15 − 1,70 1,29
RC1­02 1466.84 14 [30] *1460,90 1475.60 8.74 14 − 0,40 0,59
RC1­03 1261.67 11 [28] 1292,60 1298.60 0,01 11 2.45 0.00
RC1­04 1135.48 10 [29] *1135.00 1150.80 12.19 10 − 0,04 1.05
RC1­05 1518.60 dieciséis [30] *1510.10 1522.70 12.25 15 − 0,55 0,80
RC1­06 1377,35 13 [30] *1367.20 1390.00 13.43 13 − 0,73 0,96
RC1­07 1212,83 12 [30] 1215,90 1217,90 3,75 12 0,25 0,30
RC1­08 1117,52 11 [30] 1120,10 1132,10 10,59 11 0,23 0,93
Promedio (RC1) 1339.24 12,75 1337.20 1351.80 10.25 12.62 − 0,15 0,75
C2­01 591,56 3 [32] 591,56 591,56 0.00 3 0.00 0.00
C2­02 591,56 3 [32] 591,56 591,56 0.00 3 0.00 0.00
C2­03 591.17 3 [32] 591.17 591.17 0.00 3 0.00 0.00
C2­04 590.60 3 [32] 590.60 612.11 15.04 3 0.00 2.45
C2­05 588,88 3 [32] 588,88 588,88 0,00 3 0,00 0,00
C2­06 588,49 3 [32] 588,49 588,49 0,00 3 0,00 0,00
C2­07 588.29 3 [32] 588.29 588.29 0.00 3 0.00 0.00
C2­08 588.32 3 [32] 588.32 588.32 0.00 3 0.00 0.00
Promedio (C2) 589,86 3.0 589,86 529,54 1,88 3.0 0.00 0,35
R2­01 1147.80 9 [31] 1168.70 1180.30 8.5 6 1,82 0,72
R2­02 1039.32 5 [31] 1042.40 1044.50 2.11 6 0,29 0,20
R2­03 874,87 5 [31] 893,97 902.37 6.06 5 2.18 0,67
R2­04 735.80 3 [31] 744.02 748.50 6.36 4 1.11 0,84
R2­05 954.160 5 [31] 969,42 979.07 6.31 5 1,59 0,64
R2­06 884.25 4 [31] *880.60 898.21 14.35 5 − 0,41 1,59
R2­07 797,99 4 [31] 822.84 823.30 0,66 4 3.11 0,08
R2­08 705.62 3 [31] 736.55 737.00 0,64 4 4.38 0,08
R2­09 860.11 5 [30] 905.11 911.17 8.56 5 5.23 0,93
R2­10 910.98 5 [31] 937.06 946.31 13.17 4 2,86 1.39
R2­11 755.82 4 [31] 815.09 817.39 1,98 4 7,84 0,24
Promedio (R2) 878,79 4.73 901,43 908.01 6,24 4,72 2,57 0,68
RC2­01 1266,11 9 [31] 1274,80 1303.30 5,86 6 0,68 0,44
RC2­02 1096.75 8 [31] 1115.70 1123.80 5,99 5 1,72 0,53
RC2­03 926,89 5 [31] 945.90 955.04 12.19 5 2.05 1.27
RC2­04 786,38 4 [31] 803.91 804.90 0,61 4 2.22 0,07
RC2­05 1157.55 7 [31] 1209.50 1210.10 4.02 6 4.48 0,33
RC2­06 1056.21 7 [31] 1098.00 1099.10 11.2 5 3.95 1.01
RC2­07 966,08 7 [31] 1010.40 1011,90 9.05 5 4,58 0,89
RC2­08 779,84 4 [30] 810.04 840,10 20.00 4 3,87 2,38
1004.48 6.38 – 1033.50 1043.50 8.61 5.00 2,88 0,82
Promedio (RC2)
978.00 8.50 – 983.20 – 6.21 8.23 0,57
Promedio (todos)

Debido a que los jugadores opuestos en el algoritmo propuesto son soluciones de algunos miembros de la población con un valor superior a HRLV, pasan a las
la misma calidad, el objetivo es acercar las soluciones de baja calidad en el soluciones de calidad más cercanas, lo que se denomina estrategia de penalización
algoritmo a las soluciones que desempeñan el papel de optimizadores locales. por hiperradio (HRP) [31].
Estas optimizaciones se atribuyen de modo que la diferencia de su función objetivo 1
HRLVt = HRLVmín + γ ( HRLVt− − HRLVmín) . (3)
es menor que un cierto valor de valor de limitación de hiperradio (HRLV) (Fig. 1),
que según la Fórmula (3) este valor disminuye gradualmente. Cabe señalar que si
donde γ (0,1) es la constante reducida de HRLV.
para cada miembro de la población, la hiperdistancia (HD) es la distancia a la
Estrategia de sustitución: esta estrategia es otra forma de avanzar
mejor posición,

5
Machine Translated by Google

ZH Ahmed et al. Revista egipcia de informática 24 (2023) 100403

Fig. 7. Rendimiento de MFGA en diferentes tipos de conjuntos de datos con respecto al coeficiente de variación.

mejorar el equipo para anotar, en el que los jugadores que no ayudan mucho al equipo una mejor posición y se dirige hacia el jugador que tiene el balón ( balón Xt) para recibirlo
son reemplazados por otros jugadores para darle al equipo más poder para anotar. En el (movimiento general) o dejarse guiar por el entrenador para atacar o sustituir. En MFGA,
algoritmo propuesto, también se considera esta solución, y en cada iteración, las el movimiento general de jugadores se modela con la Fórmula (6). En esta fórmula, el
soluciones de mala calidad se eliminan de la popularización del problema y el algoritmo jugador Xt i se mueve para conseguir una
las reemplaza con mejores soluciones al problema. La cantidad específica sobre la que mejor posición hacia la posición anterior Xt− 1 y la posición del jugador que
i
se puede realizar el cambio se denomina valor de limitación de aptitud (FLV), que sostiene el balónpelota.
Xt
reemplaza las soluciones que tienen valores peores que este valor en cada iteración.
1.
Dado que se espera que la calidad de la solución mejore durante la ejecución del xt i = ReemplazandolarutaβdeXtballinXt− _ i (6)
algoritmo, este valor se supone como una variable que es el número de iteraciones del
algoritmo, su valor mejora (este valor es más en problemas de maximización y menos en donde β especifica el número de rutas a reemplazar. Es decir, hemos modelado el
problemas de mínimo). Esta ubicación se muestra en la Fig. 2 utilizando el valor FLV, en movimiento del jugador, hacia su posición anterior y hacia el balón, con la Ecuación 15,
el que esta estrategia se denomina método de penalización de aptitud eficiente (FP). en la que la nueva posición de cada jugador ( Xt i) se genera reemplazando aleatoriamente
el número de recorridos del jugador que tiene la pelota (Xt pelota) en los recorridos de su
1
posición anterior (Xt− sea un número entre el menor (un recorrido) y el i ). β debería

1
máximo número de recorridos de dos jugadores Xt
FLVt = FLVmín + λ ( FLVt− − FLVmín) . (4)
bolay Xt− 1i (SEÑOR). Entonces, calculamos β
Aquí, λ tiene el mismo papel que γ para la Fórmula (4). De hecho, la sección de usando la fórmula (7), que nos da un número entre 1 y MR. Además, el número de estas
entrenamiento es la misma que la sección de búsqueda local del algoritmo. rutas tiene un impacto directo en la exploración y explotación del algoritmo propuesto.
Después de aplicar las estrategias, la nueva posición para los jugadores fuera de límites Debido a que VRPTW es un problema restringido y las rutas en la posición anterior de los
1
se logra mediante el uso de un paseo aleatorio desde la mejor solución más cercana a su jugadores (Xt− se reemplazan para crear una nueva posición de jugador (Xt i), la i ) es
posición anterior (Fórmula (5)). probabilidad de duplicación y pérdida de clientes es alta. Es por eso que la solución a

(5) menudo no es factible. y las rutas deben repararse. Por lo tanto, si β es un número grande,
Xnuevo = Xmás cercanomejor + αiε
se repararían más rutas de la solución y la diversidad y la exploración de la solución
El pseudocódigo del FGA se muestra en la Fig. 3. aumentarían. Si β es un número pequeño, significa que se reemplazan menos rutas. Esto
significa que el número de rutas a reparar es menor, por lo que aumenta la explotación
3. El método propuesto del espacio de búsqueda en el algoritmo. Además, para crear un equilibrio entre la
capacidad de exploración y explotación en el MFGA, controlamos el valor de parámetro
El FGA es un algoritmo basado en población y también se puede clasificar en el β con h, que disminuye al aumentar el número de iteraciones usando la fórmula
algoritmo de uso de memoria introducido recientemente en 2016 para resolver problemas geométrica programada por (8):
de optimización. En este estudio, sugerimos un FGA modificado (MFGA) para resolver el
VRPTW como un problema de optimización discreta. En la MFGA propuesta, cada jugador
representa una solución VRPTW, cada solución tiene una cantidad de rutas y cada ruta
β = 1 − h(1 − SEÑOR) (7)
contiene una cantidad de clientes atendidos por un vehículo de acuerdo con las
restricciones definidas en la Sección 2. La población inicial de jugadores en el terreno es
h = h × α. (8)
generado aleatoriamente. Para crear una solución, generamos una ruta vacía en el primer
paso, luego se selecciona aleatoriamente un cliente sin ruta y se agrega a la ruta actual Aquí, α es un factor de reducción que fijamos en 0, y MR muestra y Xt− 1 calculado
que no viola el VRPTW. Ahora, entre los clientes que hasta el momento no han sido Número máximo de rutas de dos jugadores Xt. por
pelota i
recibidos por ningún vehículo, se considera que el cliente más cercano es el último usando la Fórmula (9).
cliente seleccionado. Siempre que no se infrinjan restricciones, este cliente se agregará a
1
la ruta correspondiente. En algunas iteraciones, puede que no sea posible agregar un )). (9)
MR = min( nrutas( Xt bola ) , nroutes( Xt−
i

cliente a la ruta actual con las limitaciones del problema, donde se completa la construcción
donde nroutes especifica el número de rutas para cada posición.
de la ruta deseada. Esta operación continúa para todos los clientes no atendidos hasta
La nueva posición generada Xt i por la Fórmula (6) suele ser inviable, porque
que todos se interponen en el camino. Como ya se dijo, cada jugador en FGA se mueve
aleatoriamente desde su posición anterior (Xt− el VRPWT es un problema restringido y reemplazando las rutas en Xt
Para crear un nuevo puesto, la probabilidad de duplicación y pérdida de
1 clientes es alta. Por esta razón, el siguiente mecanismo para
i ) encontrar

6
Machine Translated by Google
ZH Ahmed et al.
Fig. 8. Los cambios de fitness relativos al aumento en el número de iteraciones en FGA.
Se emplea la comprobación de la viabilidad de las soluciones generadas:
1. Identificar clientes duplicados y faltantes.
2. Elimine los clientes duplicados de las rutas más recientes.
3. Insertar los clientes faltantes a las primeras rutas que se puedan insertar en
sin violar las limitaciones de VRPTW.
Al reparar una solución inviable, a menudo se encuentran algunos clientes
duplicados en la solución. Si dichos clientes están disponibles, debemos eliminar los
clientes duplicados de las rutas para satisfacer la restricción del problema (cada cliente
recibe servicio solo una vez). Por lo tanto, uno de los
7
Revista egipcia de informática 24 (2023) 100403
Se mantienen los clientes duplicados y se eliminan sus repeticiones del resto de rutas.
Por razones de simplicidad, asumimos que el cliente duplicado que aparece en la
primera ruta se mantiene y el resto se elimina de las siguientes rutas. Luego, los clientes
perdidos, si están disponibles, se agregan a las rutas existentes, de modo que los
clientes perdidos se agregarán a la primera ruta que se pueda insertar sin violar las
restricciones. De lo contrario, se creará una nueva ruta para enrutarlo. Por ejemplo,
supongamos que tenemos dos posiciones Xt
y Xt− 1 en la Fig. 4 y la posición del jugador Xt es creado
pelota i i
usando la Fórmula (6).
Suponemos que las posiciones mostradas en la Fig. 4 que se consideran
Machine Translated by Google

ZH Ahmed et al. Revista egipcia de informática 24 (2023) 100403

Fig. 9. Representación esquemática de las mejores soluciones encontradas por FGA en 6 instancias.

8
Machine Translated by Google

ZH Ahmed et al. Revista egipcia de informática 24 (2023) 100403

Tabla 3
Comparaciones de heurísticas aplicadas a instancias de Solomon.

Instancia CPLA PITSH HSFLA S­PSO ACO­TS MFGA

Nevada DT Nevada DT Nevada DT Nevada DT Nevada DT Nevada DT

R1­01 19 1656.20 19 1650.80 19 1650.80 19 1652.001 19 1655.03 19 1584.00

R1­02 17 1502.00 17 1486.12 17 1486.12 17 1500.809 18 1491.18 dieciséis 1374.20
R1­03 13 1295.60 13 1294.23 13 1292.67 14 1242.649 14 1243.22 13 1158.90
R1­04 9 1017.40 10 981.20 9 1007.31 10 1042.216 10 982.01 11 996,95
R1­05 14 1381.90 14 1377.11 14 1377.11 14 1385.082 dieciséis 1380.44 15 1355.30
R1­06 12 1258.80 12 1252.62 12 1252.03 12 1294.869 13 1265.36 13 1212.10
R1­07 10 1117.90 10 1104.66 10 1104.66 11 1123.981 11 1100.25 11 1075.50
R1­08 9 976.06 9 963,99 9 960.88 10 1011.682 9 958,66 10 959,88
R1­09 11 1229.70 11 1194.73 11 1194.73 12 1211.630 12 1101.99 12 1155.80
R1­10 10 1196.50 10 1118.84 10 1118.84 11 1190.362 12 1119.53 12 1092.40
R1­11 10 1123.60 10 1096.73 10 1096.73 11 1102.987 12 1091.11 12 1059.20
R1­12 9 1030.00 9 989.27 9 982.14 10 1029.124 10 974,73 10 979.05
Cra 11.92 1232.10 12 1209.19 11.92 1210.34 12.58 1232.300 13.0 1197.00 12.83 1166.90
C1­01 10 828.94 10 828.94 10 828.94 10 828.94 10 828.93 10 828.94
C1­02 10 828.94 10 828.94 10 828.94 10 829,71 10 828.94 10 828.94
C1­03 10 828,06 10 828,06 10 828,06 10 851,37 10 828,06 10 828,06
C1­04 10 824,78 10 824,78 10 824,78 10 868,52 10 828,2 10 824,78
C1­05 10 828.94 10 828.94 10 828.94 10 828.94 10 828,9 10 828.94
C1­06 10 828.94 10 828.94 10 828.94 10 828.94 10 828.94 10 828.94
C1­07 10 828.94 10 828.94 10 828.94 10 828.94 10 828.94 10 828.94
C1­08 10 828.94 10 828.94 10 828.94 10 828.94 10 830.94 10 828.94
C1­09 10 828.94 10 828.94 10 828.94 10 828.94 10 829.22 10 828.94
Cra 10.00 828.38 10.00 828.38 10.00 828,38 10.00 835.92 10.00 829,01 10.00 828,38
RC1­01 15 1626.10 14 1696.95 14 1696,95 15 1641.204 14 1650,14 15 1595,90
RC1­02 13 1486.20 12 1554.75 12 1554.75 13 1510.952 13 1514.85 14 1460.90
RC1­03 11 1268.80 11 1261.67 11 1261.67 11 1294.739 11 1277.11 11 1292.60
RC1­04 10 1136.30 10 1135.48 10 1135.48 10 1190.545 10 1159.37 10 1135.00
RC1­05 14 1542.30 13 1633.72 13 1629.44 14 1603.707 15 1617.88 15 1510.10
RC1­06 12 1394.10 11 1424.73 11 1424.73 12 1410.931 13 1387.63 13 1367.20
RC1­07 11 1234,10 11 1232.20 11 1230,48 11 1249.795 11 1280.01 12 1215,90
RC1­08 10 1155,10 10 1147.69 10 1139,82 11 1181.870 11 1157.44 11 1120,10
Cra 12 1355.40 12 1385.90 11.5 1384.16 12.13 1385.500 12.25 1380.60 12.62 1337.20
R2­01 4 1253.02 4 1252.37 4 1252.88 4 1274,97 7 1214.22 6 1168.70
R2­02 4 1086.08 3 1191.70 3 1192.27 3 1247.03 5 1105.20 6 1042.40
R2­03 3 945.80 3 941.08 3 939,95 3 1052.71 4 960.14 5 893,97
R2­04 3 752.13 2 825.52 2 826.31 3 844.16 4 771,47 4 744.02
R2­05 3 1017,93 3 994,43 3 994,80 3 1.061,46 4 1.050,26 5 969,42
R2­06 3 920,37 3 906,14 3 906,59 3 1.016,35 4 954,85 5 880,60
R2­07 3 815.26 2 890.61 2 891.14 3 946,78 3 870.33 4 822.84
R2­08 2 729,42 2 726,82 2 727.60 2 834,72 3 777,72 4 736.55
R2­09 3 916.33 3 909.16 3 909.32 3 1003.19 3 934.21 5 905.11
R2­10 3 943.10 3 939.37 3 939.53 3 1040.54 5 949.02 4 937.06
R2­11 3 767,82 2 885.71 2 886.17 3 861.323 4 877,55 4 815.09
Cra 3.09 922.48 2.73 951.17 2.70 951.51 3.00 1016.700 4.18 951.36 4.72 901.43
C2­01 3 591,56 3 591,56 3 591,56 3 591,56 3 591,58 3 591,56
C2­02 3 591,56 3 591,56 3 591,56 3 591,56 3 591,56 3 591,56
C2­03 3 591.17 3 591.17 3 591.17 3 591.17 3 593.25 3 591.17
C2­04 3 590.60 3 590.60 3 590.60 3 615.43 3 595.55 3 590.60
C2­05 3 588,88 3 588,88 3 588,88 3 588,88 3 588,88 3 588,88
C2­06 3 588,49 3 588,49 3 588,49 3 588,88 3 588,49 3 588,49
C2­07 3 588.29 3 588.29 3 588.29 3 591.35 3 588,88 3 588.29
C2­08 3 588.32 3 588.32 3 588.32 3 588,49 3 588.03 3 588.32
Cra 3.00 589,86 3.00 589,86 3.00 589,86 3.00 593,41 3.00 590,78 3.00 589,86
RC2­01 4 1435.27 4 1406,94 4 1406,94 4 1423,52 5 1279,65 6 1274,80
RC2­02 4 1162.80 3 1367.09 3 1365.64 4 1193.59 5 1157.02 5 1115.70
RC2­03 3 1062.32 3 1050.64 3 1049.62 3 1123.42 6 1046.33 5 945.90
RC2­04 3 799.08 3 798,46 3 798,46 3 894.12 4 847.33 4 803.91
RC2­05 4 1303.68 4 1297,65 4 1297,65 4 1321.43 5 1334.55 6 1209.50
RC2­06 3 1155.33 3 1153.61 3 1146.32 3 1307.90 5 1112.20 5 1098.00
RC2­07 3 1.095,37 3 1061,14 3 1061,14 3 1130,37 5 1078,52 5 1010.40
RC2­08 3 834,16 3 828,71 3 828,14 3 958,24 3 911,15 4 810.04
Cra 3.38 1106.00 3.25 1120.53 3.25 1119.24 3.38 1169.10 4.75 1095.80 5.00 1033.50

sigue. Estas soluciones constan de ocho clientes, 0 es el depósito y cada ruta es atendida por un
Xt­i 1 : Ruta 1 501340680720 vehículo. La nueva posición Xt i en MFGA se crea usando la
Ruta 2 Fórmula (6) de la siguiente manera:
Ruta 3
Ruta 40
xtpelota : Ruta 1 4352080761 0
(i) Calcule el parámetro β que especifica el número de rutas a ser
Ruta 2 reemplazado.
Ruta 30 1
MR = min( nrutas( Xt bola ) .nroutes(i )Xt−
) = min(3.4) = 3

9
Machine Translated by Google

ZH Ahmed et al. Revista egipcia de informática 24 (2023) 100403

Tabla
4 Comparación del desempeño de MFGA y diferentes heurísticas.
grupo de instancias
Algoritmos R1 R2 C1 C2 RC1 RC2

BKS DT 1181.45 878,79 828.38 589,86 1339.24 1004.48

Nevada 13.08 4.73 10.00 3.00 12,75 6.38
% TD +2.23 +11.19 +1.22 +2.64 +3.19 +9.42
HSFLA DT 1210.34 951.51 828.38 589,86 1384.16 1119.24
Nevada 11,92 2,70 10.00 3.00 11,50 3,25
% TD +2,45 +8,28 0.00 0.00 +3,35 +11,42
CPLA DT 1232,10 922,48 828.38 589,86 1355,40 1106,00
Nevada 11.92 3.09 10.00 3.00 12.00 3.38
% TD +4.29 +4.97 0.00 0.00 +1.21 +10.11
Médulas DT 1209.19 951.17 828.38 589,86 1385.9 1120.53
Nevada 12.00 2.73 10.00 3.00 12.00 3.25
% TD +2.35 +8.24 0.00 0.00 +3.48 +11.55
S­PSO DT 1232.30 1016.70 835.92 593,42 1385,5 1169.1
Nevada 12,58 3,00 10.00 3,00 12,13 3,38
% TD +4,30 +15,6 +0,91 +0,60 +3,45 +16,39
ACO­TS DT 1197,00 951,36 829,01 590,78 1.380,60 1.095,80
Nevada 13,00 4,18 10,00 3,00 12,25 4,75
% TD +1,32 +8,26 +0,08 +0,16 +3,09 +9,09
MFGA DT 1166,90 901,43 828,38 589,86 1.337,20 1.033,50
Nevada 12.83 4.72 10.00 3.00 12.26 5.00
% TD − 1,23 +2.57 0.00 0.00 − 0,15 +2.88

β= 1 − h(1 − MR) = 1 − 0,9 × (1 − 3) = 2,8 =2 tiene una mejor posición en la estrategia de ataque, esta estrategia no se puede
utilizar directamente para VRPTW. Dado que la posición de cada miembro en un
Por lo tanto, las dos rutas deberían ser reemplazadas.
espacio de búsqueda para un problema continuo es un punto, pero en VRPTW
como un problema discreto, la posición de cada jugador consta de diferentes puntos
i 1 se copia a Xt
(ii) Primero, Xt− i, luego se seleccionan dos rutas al azar
de los clientes que juntos forman una solución. Por esta razón, en la estrategia de
de xt y copiado en dos rutas de Xt i. En este ejemplo, las rutas 1
pelota
ataque para VRPTW, en lugar de comparar la posición de las soluciones, utilizamos
y 2 son dos rutas de Xt seleccionadas al azar pelota y se reemplazan la comparación del valor de la función objetivo de las posiciones. De tal manera
por dos rutas 1 y 3 del Xt seleccionadas aleatoriamente i. que el jugador será empujado hacia un mejor jugador cuya diferencia de función
física sea menor que una distancia especificada (SD).
Sustitución de estrategia: en MFGA, esta estrategia es la misma que en FGA
xti : Ruta 1 Ruta 2 Ruta 3 Ruta 80134043520720 por Fórmula (4), y el entrenador usa la opción de sustitución para cambiar a los
40
jugadores pobres por un jugador mejor. Cada jugador del equipo (población) que
tenga más valor físico que FLV será reemplazado por otro alrededor del mejor
jugador más cercano (solución). En esta fórmula, FLVmin tiene el valor más bajo
de la función de aptitud en cada repetición y FLVt­ 1 es el valor más alto de la
función de aptitud en la primera iteración. Además , λ es un factor de reducción y
(iii) La nueva posición Xt i De hecho, es inviable porque los clientes 2, 3 y 4
está fijado en 0,9.
están duplicados y el cliente 6 no se encuentra. Por tanto, es necesario un
En este estudio, como el entrenamiento es la búsqueda local del algoritmo, se
mecanismo de reparación para reparar las nuevas posiciones generadas
utiliza el famoso método Hill Climbing (HC) para mejorar la explotación de MFGA
que son inviables. Además, un mecanismo debe eliminar a los clientes
aplicándolo a la ubicación factible construida en el paso anterior. En este paso,
recurrentes y reasignar a los clientes perdidos de la nueva posición
después de construir cualquier solución viable, se utiliza HC para mejorar la
manteniendo las restricciones de VRPTW. Con carácter general, para
solución. HC tiene como objetivo mejorar la explotación en el entorno de la solución.
reparar una posición inviable, primero se conservará uno de cada cliente
duplicado, y el resto de sus repeticiones se eliminarán de otras rutas. En
HC es un método de búsqueda local bien conocido que comienza a través de
segundo lugar, los clientes faltantes se agregan a la primera ruta si se
una solución inicial, X, que luego produce sucesivamente una solución vecina X'
pueden insertar sin violar ninguna restricción del problema VRPTW (como
aplicando una construcción de vecindad. En FGA, se aplican tres métodos de
los clientes 5 y 2 en la Fig. 5). Si no podemos ponerlos en ninguna de las
vecindad ( intercambio, reubicación e intercambio de cliente final) para producir una
rutas existentes, se creará una nueva ruta y se le agregará.
solución vecina. Entonces, si se encuentra que la solución X' es mejor que X,
entonces X se reemplaza por X'. De lo contrario, elimine X' y comience otra iteración
(ver Fig. 5) [31]. El proceso de búsqueda se replicará hasta que se cumpla la
condición final.
xt : Eliminar clientes duplicados de las últimas rutas i
HC crea una solución aplicando las siguientes tres construcciones de vecindario
xt : Insertar clientes faltantes en rutas i Ruta 1
[32]:
Ruta 2
Ruta 3
Ruta 4 1. Operador de cambio que intercambia dos clientes ubicados en diferentes
0 8 0134052070 rutas.
Ruta 1 Ruta 2 Ruta 3 Ruta 4
2. Reubicar al operador que traslada a un cliente de una ruta a otra
0 8 60134052070
uno.
3. Operador de intercambio de clientes finales que intercambia dos clientes finales
en rutas diferentes.
Hasta ahora, el movimiento general de jugadores ha sido modelado por la Fórmula
(6). Ahora modelamos la guía de los jugadores por parte del entrenador, que incluye
las dos siguientes estrategias de ataque y sustitución. La Fig. 6 muestra el diagrama de flujo del método propuesto.
Estrategia de ataque: Porque cada jugador se mueve hacia el jugador que

10
Machine Translated by Google
ZH Ahmed et al.
4. Experimentos computacionales
En esta sección, se utiliza el punto de referencia VRPTW de Solomon [32] para
evaluar la efectividad de MFGA. Este punto de referencia consta de 56
Muestras con 100 clientes, divididos en seis grupos según la ubicación geográfica del
cliente (R1, R2, C1, C2, RC1, RC2). De hecho, la ubicación de los clientes en este punto
de referencia es aleatoria (R1 y R2) o agrupada (C1 y C2) o una combinación de
ubicaciones aleatorias y agrupadas (RC1 y RC2).
El MFGA propuesto está codificado en MATLAB 7.8 y se ejecuta en una PC con
sistema operativo Windows 7, procesador Intel (R) de tres núcleos a 2,40 GHz y 2 GB de
RAM. El rendimiento de los métodos metaheurísticos depende significativamente de la
elección adecuada de los parámetros más significativos, por ejemplo, tamaño de la
población (N), número de clientes (NC), número de vehículos (NV), λ, tamaño de la
memoria del autocar (CMS ) . ), distancia especificada (SD) y h, en nuestra MFGA
propuesta. Los valores de NC y NV se determinan con respecto al conjunto de datos
experimentales y el parámetro de h se utiliza para controlar directamente la intensificación
y diversificación de MFGA. Es por eso que elegir los valores apropiados para estos dos
parámetros es un valor clave en la configuración de parámetros. Además, el desempeño
del MFGA se evalúa con valores de 10, 15, 20 y 25 para el parámetro N, valores de 50,
100, 150 y 200 para el parámetro SD, y valores de 0,9, 0,8 y 0,7 para el parámetro h . Los
mejores valores para estos parámetros se muestran en la Tabla 1 según varios
experimentos. El criterio de parada se adopta según el número de iteraciones no mejoradas
(NI), que se ha fijado en 10 y 300 iteraciones sin mejora para MFGA y HC respectivamente.
Además, MFGA se ejecuta 30 veces en cada instancia probada para obtener los mejores
resultados.
La Tabla 2 muestra las características de las seis categorías de problemas de prueba
enumerados anteriormente, que incluyen R1, R2, C1, C2, RC1 y RC2. Luego, los resultados
de nuestra MFGA propuesta se comparan con los mejores resultados encontrados para
estos casos. Estas instancias se dividen en tres categorías según su primera letra. En la
primera categoría R1 y R2, donde 100 clientes están distribuidos aleatoriamente alrededor
del almacén, mientras que en la segunda categoría C1 y C2, donde el mismo número de
clientes están dispersos en grupos alrededor del almacén. Finalmente, en la última
categoría, hay una combinación de la primera y la segunda categoría. En otras palabras,
en la tercera categoría RC1 y RC2, donde algunos clientes se encuentran al azar y otros
se agrupan alrededor del depósito. En estas seis categorías de instancias, nuestro
algoritmo se prueba para mostrar su rendimiento.
En la primera columna de esta tabla se dan los nombres de las instancias de estas
seis categorías. La segunda, tercera y cuarta columnas resumen la información para
obtener los valores de la solución más conocida (BKS) reportados en la literatura, en
particular, la distancia recorrida (TD), NV y la referencia en la que se reportan estos
resultados, respectivamente. Cabe señalar que algunas publicaciones [29–31] han
informado sobre varios BKS sin proporcionar detalles y muestran las soluciones en el
apéndice. Debido a que ninguna de las soluciones ha sido aprobada todavía y algunas
otras pueden estar equivocadas, sus resultados no se presentan aquí. Las columnas
quinta a décima informan los resultados obtenidos utilizando nuestra MFGA propuesta. En
esta tabla se considera primero cada una de las instancias y el algoritmo se ejecuta 31
veces en cada una de ellas. Ahora, la mejor solución (BS), la solución promedio (AS) y la
desviación estándar (Std) dentro de 31 ejecuciones se presentan en las columnas cinco a
siete, respectivamente. La octava columna informa el número de vehículos (NV). La
novena columna presenta la desviación porcentual (Gap) de la solución obtenida del BKS
(usando la Fórmula (10)) y finalmente la décima columna presenta el coeficiente de
varianza (CoVar).
Este valor es el porcentaje de desviación estándar de la media de las soluciones obtenidas.
Aquí, d1 y d2 son BS según MFGA y BKS respectivamente para las instancias. Cabe
señalar que un valor negativo sugiere que MFGA pudo actualizar BKS.
(10)
Brecha = (d1 −d2)
d2× 100
Los resultados indican que la MFGA propuesta podría obtener muy buenos
11
Revista egipcia de informática 24 (2023) 100403
soluciones a estas instancias estándar de modo que se obtengan las mejores soluciones
para 17 instancias, que se muestran en negrita. Además, el algoritmo pudo mejorar las
mejores soluciones en otros 12 casos, que se muestran en negrita y marcados con una
estrella. Además, la desviación estándar promedio para estos casos es solo 6,21 y el
coeficiente de varianza promedio es 0,57 % (menos del 1 %), lo cual es una solución de
muy alta calidad. En promedio general, las distancias totales de viaje para las instancias
R1 se reducen en un 1 %. Aunque en este trabajo sólo pretendemos minimizar la distancia
total recorrida, MFGA ha sido capaz de conseguir resultados con la diferencia máxima de
dos vehículos respecto a los BKS.
Incluso las muestras R1­01, R1­02, R1­03 y RC1­05 han mejorado con menos vehículos.
Además, MFGA tiene el mismo rendimiento que BKS en los conjuntos de datos C1 y C2
en los que el número de vehículos en C1 y C2 es 10 y
3, respectivamente. La desviación porcentual demuestra que los resultados de MFGA
son relativamente estables en todos los conjuntos de datos probados e incluso actúan un
1,23 % y un 0,15 % mejor que los más conocidos en los conjuntos de datos R1 y RC1
respectivamente y sólo un 2,57 % y un 2,88 % de distancia de los BKS en R2 y RC2
respectivamente.
El rendimiento de MFGA basado en el coeficiente de variación promedio en diferentes
tipos de conjuntos de datos se muestra en la Fig. 7. El mejor rendimiento de MFGA en el
conjunto de datos C1 con un coeficiente de variación igual a 0,19, seguido por el conjunto
de datos C2 (0,35 ), el conjunto de datos R2 (0,68), el conjunto de datos R1 (0,69), el
conjunto de datos RC1 (0,75) y, finalmente, el conjunto de datos RC2 (0,82) se presentan
en esta figura. MFGA mostró el mejor rendimiento en conjuntos de datos agrupados con
un coeficiente de variación promedio general igual a solo 0,24, seguido de los conjuntos
de datos aleatorios (0,66) y finalmente los conjuntos de datos mixtos (0,80). La figura 8
muestra la variación de la aptitud con un número creciente de iteraciones para seis
muestras. Como se muestra en esta figura, FGA ha tenido éxito en todas las muestras y
converge a una respuesta óptima después de varias iteraciones. La Fig. 9 muestra una
representación esquemática de las mejores soluciones encontradas para las seis muestras
(R101, R201, C1­01, C201, RC101 y RC2­01).
Para evaluar la efectividad de MFGA, los resultados obtenidos se comparan con los
resultados producidos siguiendo los métodos de última generación propuestos para el
VRPTW.
1. CPLA: Algoritmo cooperativo de aprendizaje poblacional de Barbucha [33].
2. PITSH: Heurística de búsqueda tabú iterada paralela de Cordeau y
Maischberger [34].
3. HSFLA: Nuevo algoritmo híbrido de salto de rana barajado de Luo et.al.
[35].
4. S­PSO: enfoque de optimización de enjambre de partículas discretas de Gong et al.
[36].
5. ACO­TS: un enfoque híbrido, que consiste en la optimización de colonias de hormigas.
zación (ACO) y búsqueda tabú de Yu et al. [37].
Los resultados experimentales detallados se presentan en la Tabla 3. Todos los
casos se prueban y resuelven repetidamente 31 veces. La primera columna de estas
tablas es el nombre de la instancia, las siguientes columnas incluyen los valores de
distancia recorrida (TD) y número de vehículos (NV) para CPLA, PITSH, HSFLA, S­PSO,
ACO­TS y MFGA. Para cada uno de los grupos de problemas (R1, R2, C1, C2, RC1 y
RC2), se informan TD y NV, y los mejores resultados se representan en negrita. Al
observar los resultados que se muestran en la Tabla 4, el MFGA propuesto presenta
resultados muy competitivos con respecto a los métodos comparados, por lo que MFGA
ha mostrado un mejor rendimiento que otros métodos comparables en 46 instancias de 56
instancias.
La Tabla 4 presenta el número promedio de vehículos (NV) y las soluciones promedio
de mejor calidad obtenidas (TD: distancias totales) mediante la aplicación de MFGA en
comparación con los cinco algoritmos presentados anteriormente, incluidos HSFLA, CPLA,
PITHS, S­PSO y ACO­ TS en los conjuntos de datos de referencia de Solomon (R1, R2,
C1, C2, RC1 y RC2). Cada fila de la tabla consta de tres partes denominadas NV, TD y
%TD (%TD es la desviación porcentual entre los algoritmos y las soluciones más
conocidas). La desviación porcentual demuestra que los resultados de MFGA son estables
en todos los conjuntos de datos probados e incluso actúan un 1,23 % y un 0,15 % mejor
que los BKS en los conjuntos de datos R1 y RC1, respectivamente. En los problemas de
C1 y C2, MFGA logró los mejores resultados publicados en todos los conjuntos de datos y
MFGA es del 2,57 %,
Machine Translated by Google
ZH Ahmed et al.
y un 2,88% de distancia de los BKS respectivamente sólo en los problemas de R2 y RC2.
Además, en comparación con otros métodos de esta tabla, el MFGA tiene el mejor rendimiento
en los conjuntos de datos R1, R2, RC1 y RC2. Finalmente se concluye que aunque MFGA no
logró superar los resultados más conocidos para todos los conjuntos de datos, los resultados
obtenidos por el algoritmo propuesto para estos conjuntos de datos son muy competitivos con
los algoritmos mencionados.
5. Conclusiones e investigaciones futuras
En este estudio, hemos sugerido MFGA para resolver efectivamente el VRPTW, cuyo
objetivo es minimizar la distancia total recorrida por el número fijo de vehículos. Dado que el
FGA estándar es un continuo
algoritmo de optimización, primero adaptamos los operadores de FGA para abordar el VRPTW
y luego propusimos un FGA (MFGA) para resolverlo. MFGA utiliza HC como algoritmos de
búsqueda local y tres estructuras vecinales para mejorar aún más las soluciones. Para evaluar
el algoritmo propuesto, se informan sus resultados para 56 instancias de Solomon para VRPTW.
Los resultados obtenidos muestran el rendimiento superior de MFGA, con distancias generales
más bajas en comparación con otros algoritmos heurísticos encontrados en la literatura. El
MFGA tiene una desviación porcentual del 1,23% y un 15% mejor que los BKS en los conjuntos
de datos R1 y RC1. Además, MFGA también obtuvo 17 soluciones más conocidas y 12 nuevas
soluciones más conocidas en diferentes tipos de conjuntos de datos. Para futuras investigaciones,
se pueden considerar más restricciones al problema. Por ejemplo, se pueden considerar
simultáneamente dos funciones objetivas para el problema, incluida la minimización de la
distancia recorrida por la flota y el número de vehículos, y también introducir técnicas adicionales
ad hoc para reducir el número de rutas y aumentar sustancialmente la efectividad del algoritmo
para otras versiones de VRP. Además, planeamos estudiar este problema aplicando otros
métodos metaheurísticos, como algoritmos genéticos [38], búsqueda tabú [2], etc.
Declaración de intereses en competencia
Los autores declaran que no tienen intereses financieros en competencia ni relaciones
personales conocidas que pudieran haber influido en el trabajo presentado en este artículo.
Agradecimientos
Este trabajo fue apoyado y financiado por el Decanato de Investigación Científica de la
Universidad Islámica Imam Mohammad Ibn Saud (IMSIU) (número de subvención IMSIU­
RP23030).
Referencias
[1] Yousefikhoshbakht M, Didehvar F, Rahmati F. Un algoritmo eficaz de sistema de hormigas basado en
rangos para resolver el problema de enrutamiento equilibrado de vehículos. Int J Indust Eng 2016;
23(1):330–41.
[2] Ahmed ZH, Yousefikhoshbakht M. Un algoritmo de búsqueda tabú mejorado para resolver el problema
de enrutamiento de vehículos abiertos de flotas fijas heterogéneas con ventanas de tiempo. Alex Eng
J 2023;64:349–63. https://doi.org/10.1016/j.aej.2022.09.008.
[3] Ahmed ZH, Hameed AS, Mutar ML, Wang S. Algoritmos genéticos híbridos para el
Problema de rutas asimétricas para vehículos con distancia limitada. Problemas de matemáticas en inglés
2022; 2022:1–20.
[4] Ashouri M, Yousefikhoshbakht M. Una combinación de algoritmos metaheurísticos y heurísticos para
VRP, OVRP y VRP con recogida y entrega simultáneas.
BRAIN Broad Res Artificial Intell Neurosci 2017;8(2):81–95.
[5] Yousefikhosbakht M, Sedighpour M. Un algoritmo de optimización para el problema de enrutamiento de
vehículos capacitados basado en un sistema de colonias de hormigas. Aust J Basic Appl Sci 2011;5
(12):2729–37.
[6] Subhan F, Aziz MA, Khan IU, Fayaz M, Wozniak M, Shafi J, et al. Tratamiento controlado de tumores
cancerosos mediante modo deslizante basado en heurística de búsqueda (GA) y controlador sinérgico.
Cánceres 2022;14(17):4191.
[7] Rani S, Koundal D, Kavita F, Ijaz MF, Elhoseny M, Alghamdi MI. Un marco optimizado para el
enrutamiento WSN en el contexto de la industria 4.0. Sensores 2021;21(19): 6474.
12
Revista egipcia de informática 24 (2023) 100403
[8] Dogra R, Rani S, Kavita, Shafi J, Kim SeongKi, Ijaz MF. ESEERP: Protocolo de enrutamiento inteligente
y energéticamente eficiente mejorado para Internet de las cosas en nodos de sensores inalámbricos.
Sensores 2022;22(16):6109.
[9] Yassen ET, Ayob M, Nazri MZA, Sabar NR. Un algoritmo híbrido adaptativo para
Problemas de rutas de vehículos con ventanas de tiempo. Comput Ind Eng 2017;113:382–91. https://
doi.org/10.1016/j.cie.2017.09.034.
[10] Hedar AR, Bakr MA. Tres estrategias de búsqueda tabú para problemas de rutas de vehículos con
ventanas de tiempo. Comput Sci Inform Technol 2014;2(2):108–19. https://doi.org/10.13189/
csit.2014.020208 .
[11] de Armas J, Meli´ an­Batista B. Búsqueda de vecindad variable para un problema dinámico de
enrutamiento de vehículos ricos con ventanas de tiempo. Comput Ind Eng 2015;85:120–31. https://
doi.org/10.1016/j.cie.2015.03.006.
[12] Pureza V, Morabito R, Reimann M. Rutas de vehículos con múltiples repartidores: modelado y
enfoques heurísticos para el VRPTW. Eur J Oper Res 2012;218(3): 636–47. https://doi.org/10.1016/
j.ejor.2011.12.005.
˜
paralelo R, Ortega J, Gil C, Fern´ andez A, de Toro F. A Simulated Annealing­based [13] Enfoque
multiobjetivo de Baños para problemas de rutas de vehículos con ventanas de tiempo.
Expert Syst Appl 2013;40(5):1696–707. https://doi.org/10.1016/j.
eswa.2012.09.012.
[14] Y. Cruce de ensamblaje de Nagata Edge para el problema de enrutamiento de vehículos capacitados C.
Cotta J. van Hemert Computación evolutiva en optimización combinatoria.
EvoCOP 2007 Apuntes de conferencias sobre informática vol 4446 2007 Springer Berlin, Heidelberg
10.1007/978­3­540­71615­0_13.
[15] Ursani Z, Essam D, Cornforth D, Stocker R. Algoritmo genético localizado para el problema de
enrutamiento de vehículos con ventanas de tiempo. Appl Soft Comput 2011;11(8):5375–90.
https://doi.org/10.1016/j.asoc.2011.05.021.
¨
[16] Nagata Y, Braysy O. Una poderosa heurística de minimización de rutas para el problema de
enrutamiento de vehículos con ventanas de tiempo. Oper Res Lett 2009;37(5):333–8. https://doi. org/
10.1016/j.orl.2009.04.006.
[17] Y. Nagata Nuevo crossover EAX para instancias TSP grandes TP Runarsson HG Beyer E.
´
Burke JJ Merelo­Guervos LD Whitley X. Yao Resolución de problemas paralelos a partir de la
naturaleza ­ PPSN IX. PPSN 2006 Apuntes de conferencias sobre informática vol 4193 2006 Springer
Berlin, Heidelberg 10.1007/11844297_38.
[18] Ticha HB, Absi N, Feillet D, Quilliot A. Modelado multigráfico y búsqueda adaptativa de vecindarios
grandes para el problema de rutas de vehículos con ventanas de tiempo. Comput Oper Res
2019;104:113–26. https://doi.org/10.1016/j.cor.2018.11.001.
[19] Clarke G, Wright JW. Programación de vehículos desde un depósito central a varios
puntos de entrega. Ópera Res 1964;12(4):568–81.
[20] Fadakar, E. y Ebrahimi, M. (2016). Un nuevo algoritmo metaheurístico inspirado en un juego de fútbol,
Primera Conferencia sobre Inteligencia de Enjambre y Computación Evolutiva (CSIEC) de 2016, págs.
DOI: 10.1109/CSIEC.2016.7482120.
[21] Maleki F, Yousefikhoshbakht M. Un algoritmo híbrido para el problema de enrutamiento abierto de
vehículos. Int J Optimiz Civil Eng 2019;9(2):355–71.
[22] Yousefikhoshbakht M, Malekzadeh N, Sedighpour M. Resolviendo el problema del viaje
Problema de vendedor basado en el algoritmo genético de ruta ósea reactiva con sistema
de colonia de hormigas. Int J Prod Manage Eng 2016;4(2):65–73.
[23] Nakhaei F, Irannajad M, Yousefikhoshbakht M. Optimización simultánea de
Rendimiento de la columna de flotación mediante algoritmo evolutivo genético. Proceso
Physicochem Probl Miner 2016;52(2):874–93.
[24] Nakhaei F, Irannajad M, Yousefikhoshbakht M. Optimización del rendimiento de la columna de
flotación basada en un algoritmo competitivo imperialista. Int J Min Miner Eng 2016;7(1):1–17.
[25] Rahmani A, Yousefikhoshbakht M. Problema de ubicación de instalaciones capacitadas en un entorno
difuso aleatorio: uso del modelo de minimización de costos (α, β) según el criterio de Hurwicz. J
Intell Fuzzy Syst 2013;25(4):953–64.
[26] Purnomo HD, Fibriani C, Somya R, Wee HM. Optimización de juegos de fútbol para
problema del viajante de comercio. En: En 2017 Conferencia Internacional sobre Tecnologías de la
Información Innovadoras y Creativas (ICITech). IEEE; 2017. pág. 1–7.
[27] Alif A, Garside AK, Amallynda I, Ramadhani BNIF. Resolución del problema de enrutamiento de
vehículos capacitados mediante un algoritmo de juego de fútbol. Jurnal Ilmiah Teknik Industri
2022;21(1):27–36.
[28] Salomón MM. Algoritmos para los problemas de ruteo y programación de vehículos con
Restricciones de ventana de tiempo. Ópera Res 1987;35(2):254–65. https://doi.org/10.1287/
opre.35.2.254 .
[29] Tan KC, Chew YH, Lee LH. Un algoritmo evolutivo multiobjetivo híbrido para
resolver el problema de rutas de vehículos con ventanas de tiempo. Comput Optim Appl 2006;34: 115–
51. https://doi.org/10.1007/s10589­005­3070­3.
[30] Alvarenga GB, Mateus GR, de Tomi G. Un enfoque genético y de dos fases de partición de conjuntos
para el problema de enrutamiento de vehículos con ventanas de tiempo. Comput Oper Res
2007;34(6):1561–84. https://doi.org/10.1016/j.cor.2005.07.025. [31] de Oliveira,
HCB, Vasconcelos, GC, Alvarenga, GB, Mesquita, RV y de
Souza, MM (2007). Un método robusto para VRPTW con recocido simulado de múltiples inicios y
análisis estadístico, Simposio IEEE de 2007 sobre inteligencia computacional en
programación, págs. DOI:
´ 10.1109/SCIS.2007.367690.
[32] Rochat Y, Taillard ED. Diversificación e intensificación probabilística en local.
buscar rutas de vehículos. J Heurística 1995;1:147–67. https://doi.org/10.1007/BF02430370 .
[33] Barbucha D. Un algoritmo cooperativo de aprendizaje de población para rutas de vehículos
problema con las ventanas de tiempo. Neurocomputación 2014;146:210–29. https://doi.org/10.1016/
j.neucom.2014.06.033 .
Machine Translated by Google
ZH Ahmed et al.
[34] Cordeau JF, Maischberger M. Una heurística de búsqueda tabú iterada paralela para problemas de rutas
de vehículos. Comput Oper Res 2012;39(9):2033–50. https://doi.org/10.1016/j.cor.2011.09.021 .
[35] Luo J, Li X, Chen MR, Liu H. Un novedoso algoritmo híbrido de salto de rana barajado para el problema
de enrutamiento de vehículos con ventanas de tiempo. Ciencia científica 2015;316:266–92. https://
doi. org/10.1016/j.ins.2015.04.001.
[36] Gong, Y.­J., Zhang, J., Liu, O., Huang, R.­Z., Chung, HS­H. y Shi, Y.­H. (2012).
Optimización del problema de enrutamiento de vehículos con ventanas de tiempo: un enfoque de
optimización de enjambre de partículas discretas, en IEEE Transactions on Systems, Man y
13
Revista egipcia de informática 24 (2023) 100403
Cibernética, Parte C (Aplicaciones y revisiones), 42(2), págs. 254­267. DOI: 10.1109/
TSMCC.2011.2148712.
[37] Yu B, Yang ZZ, Yao BZ. Un algoritmo híbrido para el problema de generación de rutas de vehículos con
ventanas de tiempo. Aplicación del sistema experto 2011;38(1):435–41. https://doi.org/
10.1016/j. eswa.2010.06.082.
[38] Ahmed ZH, Al­Otaibi N, Al­Tameem A, Saudagar AKJ. Operadores cruzados genéticos para el problema
de ruteo de vehículos capacitados. Comput Mater Continua 2023;74(1): 1575–605. https://doi.org/
10.32604/cmc.2023.031325.