05ada38a1593469fb04ac3e866fa4b64
DESCRIPTION
bitirTRANSCRIPT
-
BAKENT NVERSTES
FEN BLMLER ENSTTS
ZAMAN PENCEREL GEZGN SATICI PROBLEM N
YEN KARAR MODELLER
ZGE NMET KO
YKSEK LSANS TEZ
2012
-
ZAMAN PENCEREL GEZGN SATICI PROBLEM N
YEN KARAR MODELLER
NEW DECISION MODELS FOR TRAVELLING SALESMAN
PROBLEM WITH TIME WINDOWS
ZGE NMET KO
Bakent niversitesi Lisansst Eitim retim ve Snav Ynetmeliinin
ENDSTR Mhendislii Anabilim Dal in ngrd YKSEK LSANS TEZ olarak hazrlanmtr.
2012
-
Zaman Pencereli Gezgin Satc Problemi in Yeni Karar Modelleri balkl bu
alma, jrimiz tarafndan, 07/06/2012 tarihinde, ENDSTR MHENDSL
ANABLM DALI 'nda YKSEK LSANS TEZ olarak kabul edilmitir.
Bakan : Prof.Dr. Berna DENGZ
ye (Danman) : Prof.Dr. mdat KARA
ye : Prof.Dr. Fulya ALTIPARMAK
ONAY
..../..../.......
Prof. Dr. Emin AKATA
Fen Bilimleri Enstits Mdr
-
TEEKKR
Bu almann gereklemesinde katklarndan dolay aada ad geen
saygdeer hocalarma sonsuz kran ve teekkrlerimi sunarm.
Deerli hocam Sayn Prof. Dr. mdat KARAya (tez danman), almann sonuca
ulatrlmasnda ve karlalan glklerin almasnda her zaman yardmc ve yol
gsterici olduu iin
Tez izleme komitesinde yer alan deerli hocalarm Sayn Prof. Dr. Berna
DENGZe ve Sayn Prof. Dr. Fulya ALTIPARMAKa, tecrbe ve fikirlerini benden
esirgemedikleri iin
Sayn hocam Hseyin GDENe kod yazma konusunda yardmc olduu iin
-
i
Z
ZAMAN PENCEREL GEZGN SATICI PROBLEM N YEN KARAR
MODELLER
zge Nimet KO
Bakent niversitesi Fen Bilimleri Enstits
Endstri Mhendislii Anabilim Dal
Gezgin Satc Problemi (GSP), datm lojistii, rotalama ve i izelgeleme
problemlerinin modellenmesinde temel oluturur. ok sayda zel durumlar olan
GSPnin yaygn karlalan bir uzants Zaman Pencereli Gezgin Satc
Problemidir (ZPGSP). ZPGSP, GSPye her ehrin nceden belirlenen zaman
pencereleri iinde ziyaret edilmesi kstnn eklenmesiyle olumaktadr. ZPGSP,
GSPde olduu gibi NP-zor snfnda yer alan birlei eniyileme problemidir. lgili
kaynaklarda ZPGSP iin polinom sayda 0-1 karar deikeni ve kst olan farkl
yap ve zelliklerde karar modelleri bulunmaktadr. Bu almada, tarihi geliim
sreci iinde ZPGSP iin gelitirilen modellere ve bu modellerde gzlenen
skntlara deinilerek, yeni nerilen iki model verilmitir. Yeni modellerin ve
kaynaklarda yer alan modelin dorudan bir paket programla kullanlmas halinde,
zm sresi ve balang altsnr deerlerine gre performanslar incelenmitir.
nerilen modellerin kullanc kolayl zelliklerinin yan sra, ok gezginli ZPGSP
iin, bylece Ara Rotalama Problemleri (ARP) iin de bir temel oluturduklar
gsterilmitir.
ANAHTAR SZCKLER: Gezgin Satc Problemi, Lojistik, Zaman Pencereli
Gezgin Satc Problemi
Danman: Prof.Dr. mdat KARA, Bakent niversitesi, Endstri Mhendislii
Blm.
-
ii
ABSTRACT
NEW DECISION MODELS FOR TRAVELLING SALESMAN PROBLEM WITH
TIME WINDOWS
Ozge Nimet KOC
Baskent University Institute of Science and Technology
Department of Industrial Engineering
Travelling Salesman Problem (TSP) is baseline for transportation, routing and
scheduling problems. Travelling Salesman Problem with Time Windows (TSPTW)
is the extension of TSP which has a lot of special cases. TSPTW is formed by
adding special constraints, time windows, which are determined by the cities
previously and the salesman must visit the cities between these time windows.
TSPTW is a NP-hard and the combinatorial optimization problem like TSP. In the
literature, there exist some decision models which have binary variables
polynomially with different structures and properties. In this note, we present
forthcoming models in the literature, their drawbacks and propose two new
formulations. Performances of the newly proposed and existing formulations in
terms of CPU times and linear programming relaxations are analyzed by the aid of
the software directly. In addition to property of user friendly, we show the new
formulations are the base for Vehicle Routing Problems (VRP).
KEYWORDS: Logistics, Travelling Salesman Problem, Travelling Salesman
Problem with Time Windows
Adviser: Prof.Dr. Imdat KARA, Baskent University, Industrial Engineering
Department
-
iii
NDEKLER LSTES
Sayfa
Z ........................................................................................................................... i
ABSTRACT ............................................................................................................. ii
NDEKLER LSTES .......................................................................................... iii
EKLLER LSTES ................................................................................................. v
ZELGELER LSTES ........................................................................................... vi
SMGELER VE KISALTMALAR LSTES .............................................................. vii
1. GR ............................................................................................................... 1
2. ZAMAN PENCEREL GEZGN SATICI PROBLEM (ZPGSP) ........................ 3
2.1. Zaman Pencereli Gezgin Satc Probleminin (ZPGSP) Tanm ................ 3
2.3. ZPGSP in zm Yaklamlar .............................................................. 4
3. ZPGSPYE LKN KARAR MODELLER ..................................................... 7
3.1. Modeller in Ortak Gsterimler ................................................................. 7
3.2. Kaynaklarda Yer Alan Karar Modelleri ...................................................... 8
3.2.1. Baker [1983] Modeli ............................................................................ 8
3.2.2. Desrosiers vd.nin [1988] ok Gezginli Modeli ................................... 9
3.2.3. Langevin vd.nin [1993] Modeli (OL Modeli) ...................................... 10
3.2.4. Desrosiers vd.nin [1995] Modelleri ................................................... 13
3.2.5. Ascheuer vd. [2001]nin Modelleri ..................................................... 16
3.2.6. Dier Matematiksel Modeller ............................................................ 20
3.3. Genel Deerlendirme ve Yeni Model Gereksinimleri ............................... 20
4. ZPGSP N YEN MATEMATKSEL MODELLER ....................................... 22
4.1. ZPGSP in Gelitirilen Dm Tabanl Dorusal Karar Modeli (DTM) ... 22
4.2. ZPGSP in Gelitirilen Ayrt Tabanl Dorusal Karar Modeli (ATM) ....... 27
4.3. nerilen Modellerin Katklar ................................................................... 29
4.3.1. nceki Modellere Getirilen Eletirilerin Giderilmesi .......................... 29
4.3.2. Farkl Ama Fonksiyonlar ................................................................ 30
4.3.3. ok Gezginli ZPGSP ........................................................................ 31
4.3.4. Ek Kstlar ......................................................................................... 32
4.3.5. ok ltl Analizler ........................................................................ 32
-
iv
5. SAYISAL ANALZLER .................................................................................. 36
5.1. Test Problemleri ...................................................................................... 36
5.2. Yazlm / Donanm ................................................................................... 36
5.3. Yeni Modellerin Karlatrlmas ............................................................. 37
5.4. DTMnin Kaynaklardaki Model ile Karlatrlmas ................................. 45
6. SONU ve NERLER ................................................................................. 51
KAYNAKLAR LSTES ........................................................................................ 53
-
v
EKLLER LSTES
Sayfa
ekil 4.1: Deikenler Aras likinin ekilsel Gsterimi ...................................................25
ekil 4.2: n20w80.004 Probleminin Alternatif zmlerine Ait T1-T2 Grafii ...................34
-
vi
ZELGELER LSTES
Sayfa
izelge 4.1: 20 Dml Simetrik Problemlerin T1 ve T2 Deerleri .................................33
izelge 5.1: 20 Dml Simetrik Problemlerin zm Sreleri ......................................38
izelge 5.2: 20 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar .........40
izelge 5.3: 40 Dml Simetrik Problemlerin zm Deerleri ve Sreleri ..................42
izelge 5.4: 40 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar .........43
izelge 5.5: 20 Dml Simetrik Problemlerin zm Sreleri ......................................46
izelge 5.6: 20 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar .........47
izelge 5.7: 40 Dml Simetrik Problemlerin zm Sreleri ......................................48
izelge 5.8: 40 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar .........49
-
vii
SMGELER VE KISALTMALAR LSTES
ATM Ayrt Tabanl Model
ARP Ara Rotalama Problemi
S zm Sresi
DFJ Dantzig-Fulkerson-Johnson
DTM Dm Tabanl Model
DPG Dorusal Programlama Gevetme
GG Gavish-Graves
GL Gzden Geirilmi Langevin
GSP Gezgin Satc Problemi
MTZ Miller-Tucker-Zemlin
OL Orijinal Langevin
-
1
1. GR
Gezgin Satc Problemi (GSP) 1932 ylnda tanmlandktan sonra, zerinde ok
allan problemlerden birisi olmutur. Bunun en nemli nedeni, GSPnin pratikte
karlalan ou problemle ilikili olmas ve bu problemlere zmlerin
retilmesinde kullanlmasdr. GSPde ama, bir gezginin bir ehirden (mteriden)
balayarak dier tm ehirleri, yalnz bir kez ziyaret edip, tekrar bulunduu ehre
dnmesiyle elde edilen turun uzunluunu, sresini, maliyetini vb. enkklemektir.
GSP, bir birlei eniyileme problemidir ve NP-zor problemler snfnda yer
almaktadr. Bilindii gibi, NP-zor problemlerin zm zaman problem boyutuna
bal olarak stel art gstermektedir.
GSPde, gezginin ehirlere uramasnda bir zaman kst yoktur. Ancak son
yllarda iletmeler, rnlerin ksa yaam evrimleri ve tam zamannda retim gibi
yeni eilimlere dayal olarak etkin ve zamannda servis verebilmeye almaktadr.
Dolaysyla servis anlar, gnmzdeki zaman duyarl lojistikte nemli rol
oynamaktadr. Ama, gezginin her bir ehri bu ehir iin verilen zaman aralnda
(zaman penceresinde) ziyaret etmesini salamaktr. Bu tez kapsamnda, GSPnin
zel bir problemi olan Zaman Pencereli Gezgin Satc Problemi (ZPGSP) ele
alnmtr. Kaynaklardaki almalar incelendiinde, zaman pencerelerinden dolay
gezginin (aralarn) ilgili ehirde (mteride) hizmet ncesi beklemesini dikkate
alan ok az sayda alma olduu grlmtr. Bekleme srelerinin veya
maliyetlerinin dikkate alnd ZPGSP, ziyaret edilen ehirlerde bekleme sresi ve
ayrtlarda geen srelerin toplamn enkkleyen rotann bulunmas olarak
tanmlanabilir. Bilindii gibi gnmzde teknolojideki hzl gelimeler ve buna
erimenin kolay olmas, probleme eniyi zm bulan matematiksel modellerin
nemini artrmtr. Bu nedenle tezde, ZPGSPnin zm iin bekleme sresi
veya maliyetlerini de dikkate alan dm tabanl ve ayrt tabanl iki ayr
matematiksel model gelitirilmitir. Bu modellerin en byk avantaj, herhangi bir
ek ileme gerek olmakszn modelin zmnden, ehirlere erken gelinmesi
halinde, bekleme srelerinin de grlebilmesidir. Gelitirilen matematiksel
modellerin performans, kaynaklarda bu problem iin nerilen matematiksel
modeller ile karlatrmal olarak incelenmitir. Karlatrmada, ilgili kaynaklarda
yer alan 50 test problemi dikkate alnm ve matematiksel modellerin zmnde
-
2
CPLEX 12.0 zcs kullanlmtr. almann en nemli katks, ZPGSP iin
beklemeleri gz nnde bulunduran btnyle iki yeni matematiksel model
gelitirilmesi, karar deikenlerinin modelin yapsna uygun olarak anlaml bir
ekilde tanmlanm olmas ve modellerin parametrelerden bamsz olmasdr.
Tezin dier blmleri u ekilde dzenlenmitir: kinci blmde, GSP ve ZPGSP
tanmlanm ve ZPGSP iin zm yaklamlar verilmitir. nc blmde,
ZPGSP iin kaynaklarda gelitirilen matematiksel modeller ana hatlaryla
irdelenmitir. Drdnc blmde, bu tez kapsamnda gelitirilen dm tabanl ve
ayrt tabanl iki yeni matematiksel model verilmitir. Beinci blmde, gelitirilen iki
yeni model ile kaynaklarda bu problem iin nerilen bir modelin performanslar
karlatrlm, yaplan deneysel alma sonular ve deerlendirmeler verilmitir.
Tezin son blm olan sonu ve neriler ksmnda ise, yaplan almalar
zetlenerek matematiksel modellere ilikin elde edilen genel sonular ve ileriye
dnk neriler yer almtr.
-
3
2. ZAMAN PENCEREL GEZGN SATICI PROBLEM (ZPGSP)
Bu blmde ZPGSP tanmlanacak ve bu problem iin kaynaklarda nerilen zm
yaklamlar incelenecektir.
2.1. Zaman Pencereli Gezgin Satc Probleminin (ZPGSP) Tanm
Gezgin Satc Problemi (GSP), bir gezginin bir ehirden balayarak dier tm
ehirleri, yalnz bir kez ziyaret edip tekrar kendi bulunduu ehre (depoya)
dnmesiyle elde edilen tur uzunluunun, sresinin, maliyetinin vb. enkklenmesi
olarak tanmlanr. GSP, NP-zor problemler snfnda yer alan ve zerinde ok
allan problemlerden birisidir.
GSPye her ehrin nceden belirlenen en erken ve en ge ziyaret anlarn belirten
zaman pencereleri iinde ziyaret edilmesi kst eklendiinde elde edilen problem
ise Zaman Pencereli Gezgin Satc Problemi (ZPGSP) olarak adlandrlr.
Mteriler tarafndan nceden belirlenmi olan zaman penceresi, gezginin ilgili
ehri ziyaret edebilecei zaman dilimini tanmlar. ZPGSP, GSPnin zel bir
problemi olduundan NP-zor problemler snfnda yer almaktadr. Savelsbergh
[1985], ZPGSPde uygun zmlerin bulunmasnn dahi NP-zor olduunu
almasnda kantlamtr. ZPGSPde gezgin, ehirlere (mterilere) belirlenen
zaman pencereleri iinde hizmet vermek zorunda ise problem kesin zaman
pencereli GSP olarak, eer belirli bir maliyete katlanmak kouluyla zaman
penceresi kstlarndan dn verilmesi sz konusu ise problem esnek zaman
pencereli GSP olarak adlandrlmaktadr.
2.2. ZPGSPnin Uygulama Alanlar
ZPGSP, gerek hayat problemlerine kolaylkla uyarlanabilmektedir. Problemin
yaps gerei, iinde zaman kavramnn olmas gerek hayatla rtmektedir.
ZPGSP; yakt datm, posta-gazete datm, rn datm, endstriyel atk
toplama, servis aralarn rotalama, bozulabilir rnlerin nakliyesi, askeri
operasyonlar (kapasite kstnn olmad durumlar), atlye tipi retimlerin
izelgelenmesi gibi baz alanlarda uygulanabilmektedir.
-
4
2.3. ZPGSP in zm Yaklamlar
Christofides vd. [1981], ZPGSPnin tanmnn yapld ve zaman penceresi
ifadesinin kullanld ilk almadr. Bu almada, ZPGSPnin zm iin
dinamik programlama yaklam kullanlmtr.
Baker [1983], ZPGSPyi tanmlayan ve matematiksel modelini gelitiren ilk
aratrmacdr. Baker [1983] almasnda, belirli dm ya da dmler iin
zaman pencereleri kst ieren GSPyi Zaman Kstl GSP olarak adlandrmtr.
Savelsbergh [1986], zaman kstn zaman penceresi olarak tanmlam ve
probleme Zaman Pencereli Rotalama Problemleri adn vermitir. Takiben, 1988
ylnda yaymlanan iki makalede de bu isimlendirme kullanlmtr (Desrosiers vd.,
[1988]; Solomon vd., [1988]). ZPGSP iin kullanlan zm yaklamlar; dinamik
programlama, matematiksel modellere dayal zel algoritmalar ve sezgisel
yntemler olarak ana snf altnda toplanabilir. Bu blmde, kaynaklarda
nerilen zm yaklamlar bu snf altnda zetlenecektir.
i) Dinamik Programlama Yaklamlar
Christofides vd. [1981], ZPGSPnin zm iin dinamik programlama yaklamn
neren ilk aratrmaclardr. 50 dml problemlerin eniyi zmlerine dal-snr
algoritmas ve dinamik programlama yaklam kullanlarak ulalmtr.
ZPGSPye dinamik programlama ve uzantlar ile zm getiren bir dier alma
ise Desrochers vd. [1992] tarafndan yaplmtr. Bu almada, tamsayl kme
blmleme probleminin zlmesi amacyla kolon retimi yaklamndan
yararlanlmtr. Dal-snr algoritmasnda kullanlan dorusal programlama
gevetmeleri kolon retimi yaklamyla zlm ve elde edilen uygun kolonlar
zaman pencereli ve kapasite kstl en ksa yol probleminin dinamik programlama
ile zmnde kullanlmtr.
Dumas vd. [1995] ise, problemin zm iin nerdikleri dinamik programlama
yaklam ile durum uzay ve durum gei saysnn azaltlmasn salamlardr.
-
5
ii) Matematiksel Modellere Dayal zel Algoritmalar
ZPGSP iin ilk matematiksel model, Baker [1983] tarafndan nerilmitir. Bu
model, mutlak deerli kstlar ierdiinden dolay dorusal olmayan bir yapya
sahiptir ve zm zordur. Bu nedenle almada, problemin zm iin bir dal-
snr algoritmas gelitirilmitir. Gelitirilen dal-snr algoritmas ile en fazla 51
dml problemler iin eniyi zm elde edilebilmi ve zm sresinin 80
saniyeye kadar kt rapor edilmitir.
Desrosiers vd. [1988], ZPGSPnin ok gezginli durumu iin bir matematiksel model
gelitirilmilerdir. Gelitirilen bu modelde, beklemeler dikkate alnmadan sadece
yolda harcanan sreler toplam enkklenmektedir. Desrosiers vd. [1988],
problemi kme blmleme problemi olarak ele alm ve zaman pencereli en ksa
yol algoritmas ile kolon reterek probleme zm elde etmilerdir.
ZPGSPye matematiksel model gelitirilerek zm nerisi getiren bir dier
alma, Langevin vd. [1993] tarafndan yaplmtr. Bu almada, Finke vd.nin
[1984] GSP iin nerdikleri iki rnl ak modeli esas alnarak, ZPGSP iin bir
matematiksel model nerilmitir. Ayrca bu model, ZPGSP iin beklemelerin sre
ve maliyet ynyle formle edildii ilk model olmas asndan nemlidir.
Desrosiers vd. [1995] ise, Miller, Tucker ve Zemlin [1960] (MTZ) tarafndan ortaya
konulan alt tur engelleme kstlarn kullanarak bir matematiksel model
gelitirmilerdir. Bu modelin, Ascheuer vd. [2001] tarafndan ortaya konulan MTZ
tabanl modelle ayn olduu grlmtr.
Ascheuer vd. [2000], asimetrik ZPGSP iin Dantzig, Fulkerson ve Johnson [1954]
(DFJ) tarafndan ortaya konulan alt tur engelleme kstlarn ieren bir
matematiksel model gelitirmilerdir. Ascheuer vd. [2000]nin almalarnda da
belirttikleri zere, modelin yaps herhangi bir kst eklenmesine msait deildir. Bu
gelimeyi takiben, Ascheuer vd. [2001], DFJ tabanl bu modele ek olarak dm
ve ayrt tabanl iki model daha gelitirerek, bu modelleri asimetrik ZPGSPnin
zmnde kullanmlardr. nerilen dm tabanl model, Desrosiers vd.nin
[1995] MTZ tabanl modelidir. Daha nce anlatlan Desrosiers vd. [1988]nin ok
gezginli modelinde gezgin says bir olarak alndnda ( ) model, Ascheuer
vd. [2001] tarafndan nerilen dm tabanl matematiksel modele dnmektedir.
-
6
Bu almada gelitirilen zel yntem sayesinde, ok sayda problem iin eniyi
zmler elde edilmitir.
Favaretto vd. [2006], problem iin Desrosiers vd.ne [1995] ait modele dayal bir
matematiksel model gelitirmiler ve problemin zm iin karnca kolonisi
sistemine dayal bir sezgisel yaklam nermilerdir. Model, gerek bir problem
zerinde altrlm ve zm elde edilmitir.
Dash vd.nin [2009] ise, almalarnda problem iin zaman pencerelerinin alt
pencerelere blnmesiyle dorusal programlama gevetme deerlerini elde
etmiler ve bu gevetme deerlerini dal ve kesme algoritmas iin iyi bir balang
alt snr elde etmek iin kullanmlardr.
Anlatlan bu modellerin yan sra, kaynaklarda ZPGSP iin gelitirilen birok model
bulunmaktadr. zellikle yukardaki almalara deinilmesi, bu almalarn
ZPGSP asndan temel oluturmasndandr.
iii) Sezgisel Yntemler
Kaynaklarda, sezgisel yaklam ieren birok alma bulunmaktadr. Bu
almalara; Savelsbergh [1985], Blanton & Wainwright [1993], Schmitt [1994],
Carlton vd. [1996], Potvin & Bengio [1996], Gendreau vd. [1998], Hong vd. [1999],
Andrew Lim vd. [2003], Ohlman ve Thomas [2007], Silva ve Uritia [2010] eklinde
birka rnek verilebilir. Bu almalarda yerel arama, tabu arama, deiken yre
arama algoritmalar ve tavlama benzetimi gibi sezgisel yntemler kullanlarak
toplam tur sresini enkkleyen zmler elde edilmitir.
-
7
3. ZPGSPYE LKN KARAR MODELLER
Bu blmde, ZPGSP iin kaynaklarda gelitirilmi olan matematiksel modeller
incelenerek yeni modellemenin gereklilii zerinde durulacaktr.
3.1. Modeller in Ortak Gsterimler
Kaynaklardaki almalarda yer alan modellerde, aratrmaclar farkl simgesel
gsterimlerle tanmlamalar yapmtr. Tez kapsamnda bahsedilecek olan
modellerin daha iyi anlalabilmesi ve ortak bir gsterim salanabilmesi amacyla
tm modeller iin ayn anlama gelen dizin kmeleri, karar deikenleri ve
parametreler tanmlanmtr. Bu tanmlar aada verilmektedir:
Dizin Kmeleri
ynl seriminde,
dmler (ehirler, mteriler) kmesi, depo (merkez) ve
ayrtlar kmesi.
Parametreler
: inci ehirde hizmetin en erken balama an,
: inci ehirde hizmetin en ge balama an,
: inci ehrin zaman penceresi,
: inci ehirden inci ehre gei sresi, ,
: inci ehirden inci ehre gei maliyeti, ,
: inci ehirde birim zaman bekleme maliyeti.
Karar Deikenleri
: ayrt turdaysa 1, deilse 0,
: gezginin inci ehre geldii an,
: inci ehirde hizmet ncesi bekleme sresi.
-
8
3.2. Kaynaklarda Yer Alan Karar Modelleri
Bu blmde, kaynaklardaki matematiksel modeller yaym yl esas alnarak
incelenecek ve modelleri tanmlamada aratrmacnn ad kullanlacaktr.
3.2.1. Baker [1983] Modeli
ZPGSP iin ilk matematiksel model, Baker [1983] tarafndan nerilmitir. Bu model
ancak tam bal, simetrik, gen eitsizliinin saland bir serim iin geerli
olabilmektedir. Blm 3.1deki simgelere ek olarak bu model iin,
: serime eklenen yapay biti dm
eklinde tanmlanarak depodan k zorunlu klnmakta ancak depoya girie izin
verilmemektedir. Gezgin, mterileri ziyaret ettikten sonra ( )inci dmle
gsterilen yapay depoya dn yapmaktadr, ancak mteri biti dm sreleri
olan in deerleri olarak ileme alnmaktadr. Bu tanmlamayla birlikte
Bakern [1983] matematiksel modeli aada verilmektedir:
Grld gibi modelde, sadece ( ) adet srekli karar deikeni vardr.
olduunda bu say, ( )e dmektedir. Dolaysyla model, leinde karar
deikeni iermektedir. Ayrca modelde, adet dorusal kst, adet zaman
penceresi kst ve adet mutlak deerli kst bulunmaktadr. Bu durumda
modelde leinde kst vardr.
-
9
Model, tane mutlak deerli kst tayor olmas nedeniyle dorusal
olmayan bir matematiksel modeldir. Ama fonksiyonu ise toplam tur sresini
enkklemekte olup, ayrtlarda geen sre ve dmlerdeki bekleme sreleri ayr
ayr ele alnmamtr. Dolaysyla model, ayrtlarda geen sre ve beklemeleri
birlikte esas alan bir zm asndan yetersiz kalmaktadr. Ayrca, dorusal
olmayan bir matematiksel model olmasndan dolay modelin bir paket program
kullanlarak dorudan zm zorlamaktadr. Bu nedenle Baker [1983],
problemin zm iin bir dal-snr algoritmas gelitirmi ve bu algoritma ile 51
dml problemler iin eniyi zm elde etmitir.
3.2.2. Desrosiers vd.nin [1988] ok Gezginli Modeli
ZPGSP iin ok gezginli modelleme ilk kez Desrosiers vd. [1988] tarafndan
gelitirilmitir. Modeli tanmlayabilmek iin Blm 2.1deki simgelere ek olarak
aadaki tanmlamalar yaplmtr:
: bir gezginin maliyeti
: gezgin says
Desrosiers vd.nin [1988] ok gezginli modeli :
-
10
eklindedir.
Modelde, adet sfr-bir tamsayl karar deikeni, adet srekli
deiken ve ( adet kst bulunmaktadr. Dolaysyla model,
leinde karar deikeni ve leinde kst iermektedir.
Bu almada, asl-ikil (primal-dual) yaklamyla en ksa yol probleminin ok
gezginli durumu iin genelleme yaplmtr. kil modelde, uygun olmayan rotalar
bulunarak ve asl modelin zmnde bu rotalar atlarak, kullanlan dal-snr
teknii ile daha hzl zmler retilebilmektedir. Desrosiers vd. [1988], iki aamal
bu yaklam sayesinde, 223 dm olan byk boyutlu problemlere zm elde
etmilerdir.
3.2.3. Langevin vd.nin [1993] Modeli (OL Modeli)
ZPGSP iin beklemelerin sre ve maliyet ynyle formle edildii ilk model,
Langevin vd. [1993] tarafndan nerilmitir. Bu modelin temelini, Finke vd.nin
[1984] GSP iin nerdikleri iki rnl ak modeli oluturmaktadr. Bu tez
kapsamnda, bu model Orijinal Langevin (OL) modeli olarak adlandrlmtr.
OL modelinde ve ile gsterilen iki ana ak deikeni tanmlanmtr. Daha
nceki simgeler ve tanmlara ek olarak modele ait dier tanmlamalar aada
verilmektedir:
: Turun banda eldeki toplam kaynak,
: inci ehre gelene kadar elde kalan kaynak miktar,
: inci ehre gelene kadar harcanan kaynak miktar.
-
11
Ayrca, karar deikeni daha nce tanmlanan yapdan farkl olmamakla
beraber iki rnl ak probleminin yapsna uygun olarak aadaki gibi yeniden
tanmlanmtr:
: ayrtnda seyahat etmek iin gerekli olan kaynak miktar
olmak zere, OL modeli :
eklindedir.
-
12
Modelin dorusal programlama gevetmesi yani gevetilmi modeli, (25) nolu kst
yerine kstlarnn eklenmesiyle elde edilir. (10) veya (11)
nolu kstlardan tr, bu kstlar gereksiz olmakta ve buna istinaden modelden
atlabilir. Bu durumda modelde, adet kst, adet zaman kst
bulunurken, leinde karar deikeni ve leinde kst ierir.
Bu model, beklemeleri istee bal olarak sre ve maliyet ynyle formle eden ilk
modeldir. Bu nedenle modeldeki kstlara ksaca deinilecektir. (16) nolu kstlar,
ayrtlar zerindeki tur dengesini salayarak modelin basamak fonksiyonunu
oluturmaktadr. (17) nolu kstlar, depoya gelene kadar datlan kaynak ile hangi
ehirden depoya gidilmise bu arada gerekli olan kaynak miktar toplamnn eldeki
kaynak miktar toplamndan kk ya da eit olmasn salamaktadr. (18) ve (19)
nolu kstlar, inci ehre gelene kadar elde kalan kaynak miktar ile harcanan
kaynak miktar toplamn eldeki kaynak miktarna eitlemektedir. (20) ve (21) nolu
kstlar, inci ehre gelene kadar harcanan kaynak miktarnn zaman pencereleri
arasnda kalmasn salamaktadr. (22) nolu kstlar, her ehir iin o ehre gelene
kadar elde kalan kaynak miktar ile harcanan kaynak miktar toplamnn sfr ya da
toplam kaynak miktarna ( ) eit olmasn salayan tamsay kstlardr. (23)-(25)
nolu kstlar grubu, ilgili deikenlerin sfrdan kk olamama kstlardr. Modelin
ama fonksiyonu, bekleme maliyetlerini de gz nne alarak toplam tur maliyetini
enkklemektedir. Eer yerine ve eit 1 alnrsa ama fonksiyonu, turda
geen toplam sreyi enkkleyen hale dnmektedir. (25) nolu kstla verilen
iliki, modeli tamsayl olarak ele almay zorunlu klmaktadr. Tanmda ve
srekli deikenler gibi alglanmakla birlikte, bunlarn her ( ) iin toplamnn ya
sfr ya da ye eit olmas gerekmektedir. Bu haliyle model, zm asndan
glkleri beraberinde getirmektedir.
Toplam tur sresi ve bekleme sresini fakl maliyet bileenleri iin zebilen bu
model ile makalede deinilen zel algoritma, 60 dml problemlere kadar eniyi
zmler elde edilmektedir. Modelin sahip olduu bu zelliklere karn baz
eksiklikleri aada zetlenmektedir. Modeldeki ve karar deikenleri ift
indisli olmasna ramen, bu deikenlerin tanm yalnz birinci indisle yaplm,
ikinci indis anlamsz bir halde tutulmutur. Bu nedenle, bu karar deikenlerinin
tanm yapay kalm ve anlaml bir tanm olmaktan uzaklamtr. Ayrca, model bir
-
13
parametresine baldr. Parametrelerin sistemin davrann etkiledii halde
karar vericinin kontrol dnda deer alan bileenler olmas, modelleme asndan
bir dezavantajdr. Tm bunlarn yannda, ZPGSPnin en nemli uzants olan
ZPARPye dntrlebilir olmas modelleme asndan nemlidir. ZPGSP ile
yaplacak bir modelleme, ok gezginli hale kolay uyarlanabilmelidir ki ZPARP iin
de bir alt yap oluturabilsin. Bu noktada, modeldeki tanmlamalar dorultusunda
OL modelinin ok gezginli hale dntrlmesi de sorunlu olur. OL modeline, her
ehri iin depoya dnene kadar harcanan kaynak miktarn gsteren karar
deikenin toplamn sfr yapan kst ( ) eklenilmeden doru zmler
vermedii grlmtr.
3.2.4. Desrosiers vd.nin [1995] Modelleri
Bu blmde, Desrosiers vd. [1995] tarafndan gelitirilen modellere yer verilecektir.
Modellerden biri, dm tabanl bir modeldir. Dier model ise, OL modelinden
tretildii iin bu tez kapsamnda Gzden Geirilmi Langevin (GL) modeli olarak
adlandrlacaktr.
i) Desrosiers vd.nin Dm Tabanl Modeli
Desrosiers vd. tarafndan gelitirilen bu matematiksel modeldeki yardmc
deiken tanm, dm zerinden yapld iin ( ), model dm tabanl bir
modeldir. Beklemeleri gz nnde bulundurmayan bu model, ayrtlarda geen
sreler toplamn enkklemektedir. Modeldeki inci dm, serime
eklenen yapay biti dmdr. Daha nceki simgesel gsterim ve tanmlarla
birlikte, Desrosier vd.nin [1995] dm tabanl modeli,
-
14
eklinde verilmitir.
Desrosiers vd.nin [1995] dm tabanl modelinde, adet kst ve
adet sfr-bir tamsayl deiken bulunmaktadr. Dolaysyla model,
leinde kst ve leinde deiken iermektedir.
Bu model, bekleme srelerini veya maliyetlerini gz nnde bulundurmamakta
yalnzca turda geen sreler toplamn enkklemektedir. ler yerine lerin
alnmas halinde, ayrtlardaki maliyet toplamnn da enkklenecei aktr.
ii) Gzden Geirilmi Langevin Modeli (GL Modeli)
Desrosiers vd. [1995], OL modelinin dorudan zmn alabilmek iin modeli
yeniden dzenlemilerdir. Desrosiers vd. [1995] tarafndan nerilen bu model tez
kapsamnda Gzden Geirilmi Langevin (GL) modeli olarak adlandrlmtr.
Modelde, parametresi OL modelindeki gibi olarak tanmlanmtr.
inci dm, serime eklenen yapay biti dmdr. Genel simgesel
gsterim ve tanmlamalara ek olarak OL modelindeki ek tanmlarla birlikte GL
modeli,
-
15
-
16
eklinde verilmitir.
GL modeli ( ) adet kst, ( ) adet sfr-bir tamsayl deiken ve
( ) adet karar deikeni iermektedir. Dolaysyla modelde,
leinde kst ve leinde deiken bulunmaktadr.
GL modeli, OL modeline ek mdahale yaplmadan almamas dezavantajn
ortadan kaldrm olmakla beraber, OL modelinin parametreye bal olmas ve OL
modelindeki deikenlerin anlaml tanmlanmam olmas eletirileri GL modeli iin
de geerlidir.
3.2.5. Ascheuer vd. [2001]nin Modelleri
nceki kesimlerde bahsedildii zere, Ascheuer vd. [2000]nin yaptklar
almada ZPGSP iin gelitirilen DFJ tabanl model, Ascheuer vd. [2001]nin
almasnda yer almtr. Yan sra Ascheuer vd. [2001]nin almasnda iki yeni
model daha gelitirilmitir. Ascheuer vd. [2001], asimetrik ZPGSP iin dm
tabanl, ayrt tabanl ve yardmc deikensiz olmak zere model
gelitirmilerdir. Bu modeller srasyla M1, M2 ve M3 olarak adlandrlacaktr.
i) Ascheuer vd.nin [2001] Dm Tabanl Modeli (M1)
Ascheuer vd. [2001] tarafndan gelitirilen dm tabanl model (M1) ile bir nceki
ksmda bahsedilen Desrosiers vd.nin [1995] dm tabanl modelinin ayn olduu
grlmtr. Daha nceki simgesel gsterimlere ek olarak yaplan tanmlamalar:
: inci dme verilen hizmet sresi
: inci dme geldikten sonra inci dme gelinebilmesi iin
geecek asgari sre
eklinde yeni tanmlamalar yaplmtr.
-
17
Bu tanmlamalara dayal olarak M1 modeli :
eklindedir.
Modelde, leinde karar deikeni ve leinde kst bulunmaktadr.
Ascheuer vd.nin [2001] de ifade ettii zere bu modeldeki (54) nolu kst grubu,
MTZ alt tur engelleme kstlardr. Bu modelde, dmlerdeki hizmet sreleri olan
ler sfr olarak ele alnrsa nceki kesimde deinilen Desrosiers vd. [1995]
modeline dnr. Ascheuer vd. [2001], (54) nolu kstlarn yeterince
sklatrlmadndan ve daha da sktrlabileceinden bahsetmilerdir. Yan sra,
byk-Mye bal modellemenin saysal analizlerde sorun karabileceine
deinilmitir. Modeldeki byk-Mnin eklinde tanmlanarak
modelin sklatrlabilecei de belirtilmitir. Ayrca ve karar deikenleri
arasndaki ilikinin zayf olmas ve bunun yalnzca (54) nolu kstlar tarafndan
salanmas da bir dezavantaj olarak grlmtr. Bunlarn yan sra, modelin
beklemeleri gz nne almamas ve yalnzca ayrtlarda geen sreyi
enkklemesi bu tezin kapsamnda bir dezavantaj olarak grlmektedir.
-
18
ii) Ascheuer vd.nin [2001] Yardmc Deikensiz Modeli (M2)
Ascheuer vd. [2001] tarafndan gelitirilen yardmc deikensiz bu modelde daha
nceki tanmlamalara ek olarak yaplan tanmlama;
: belirlenen zaman pencerelerine uygun olmayan rotalar
Bu tanmlamayla birlikte M2 modeli :
eklinde verilmitir.
Modeldeki kstlar, dm saysna gre stel art gsterdiinden bu modelin
dorudan kullanm mmkn olmad gibi model, beklemeleri de gz nnde
bulundurmamaktadr.
-
19
iii) Ascheuer vd.nin [2001] Ayrt Tabanl Modeli (M3)
Ascheuer vd. [2001] tarafndan gelitirilen ayrt tabanl bu modelde karar
deikeni M1 modelinde tanmland ekliyle kullanlmtr. nceden tanmlanan
simgesel gsterimlere ek olarak yaplan tanmlama;
: gezginin inci ehre hizmet vermeye balad an ile inci ehirde hizmetini
tamamlad an arasnda geen sre ( olduunda) , ise sfr;
Bu tanmlamayla birlikte M3 modeli,
eklindedir.
M1 ve M2 modellerinde olduu gibi, bu modelde de beklemeler gz nnde
bulundurulmamtr.
Grld zere, bahsedilen M1, M2 ve M3 modelleri arasnda gerek
tanmlamalar gerekse de ama fonksiyonlar asndan bir farkllk yoktur. Her
model de, ama fonksiyonu asndan beklemeler gz nne alnmamaktadr.
-
20
3.2.6. Dier Matematiksel Modeller
Kaynaklarda, ZPGSP iin gelitirilen matematiksel modelleme asndan gze
arpan dier almalar ise, srasyla Soumis vd.nin [1998], Favaretto vd.nin
[2006] ve Lodi vd.nin [2009] modelleridir.
Soumis vd. [1998] tarafndan yaplan almada, ok depolu ZPARP iin
beklemelerin gz nne alnd dorusal olmayan matematiksel bir model
gelitirilmitir. Bu alma, beklemelerin gz nne alnmas asndan dikkat
eken bir alma olmakla beraber, modelin dorusal olmayan yaps nedeniyle
zm asndan dezavantajl bir modeldir.
Favaretto vd.nin [2006] almasnda ise, bir matematiksel model verilerek
ZPGSPye karnca kolonisi sistem yaklamyla zm nerilmitir. Bu almadaki
matematiksel modelin nceki blmlerde anlatlan Desrosiers vd.nin [1995]
dm tabanl modelinden bir fark olmad gzlemlenmitir.
Lodi vd.nin [2009] almas da ZPGSP asndan dikkat eken baka bir
almadr. Lodi vd. bu almalarnda, Ascheuer vd.ne [2001] ait olan M1
modeline benzer bir matematiksel model gelitirmilerdir.
3.3. Genel Deerlendirme ve Yeni Model Gereksinimleri
Yaplan kaynak aratrmasnda, gezginin bir ehre hizmete en erken balama
anndan ( ) nce gelmesi halinde, harcanan bekleme srelerini gz nne alan
model saysnn ok az olduu, var olan modellerin de baz dezavantajlarnn
olduu grlmtr. Bu nedenle, dorudan kullanlabilecek ve yeni yaklamlar
temel alacak modellere ihtiya duyulmaktadr. Tez kapsamnda bu ama
dorultusunda, ZPGSP iin iki yeni model gelitirilmitir. Bir sonraki blmde, bu
modellere deinilecektir.
Kaynaklardaki iki nemli modelin dezavantajlar ksaca u ekilde zetlenebilir: 1)
Bakern [1983] modelindeki mutlak deerli kstlar dorusall bozmakta
dolaysyla zm zorlatrmaktadr. Ayrca, modelde ayrtlarda geen sre ve
beklemeler ayr ayr gz nne alnmamaktadr. 2) Desrosiers vd.nin [1995]
modeli ise, ZPGSP asndan nemli bir gelime olmakla beraber bu modelin bir
parametresine bal olmas, karar deikenleri iin yaplan tanmlarn anlaml
-
21
olmamas ve bu modelin ok gezginli duruma kolay uyarlanamamas gibi
dezavantajlar bulunmaktadr.
-
22
4. ZPGSP N YEN MATEMATKSEL MODELLER
nceki blmlerde de bahsedildii zere, kaynaklarda beklemeleri gz nnde
bulunduran modellerin az sayda olmas yeni model gelitirme ihtiyacn
dourmutur. Bu blmde, kaynaklardaki modellerin dezavantajlarn ortadan
kaldrmak amacyla gelitirilen iki yeni model aklanmtr.
Bu dezavantajlarn yan sra, literatrde beklemeleri gz nnde bulunduran
modeller ok azdr. Bu nedenle bu tez kapsamnda ZPGSP iin iki yeni
matematiksel model gelitirilmitir. Gelitirilen modellerin herhangi bir parametreye
bal olmakszn karar deikenleri asndan anlaml tanmlar iermesi ve
beklemeleri gz nne almas ZPGSP iin nemli bir katk olarak grlebilir.
Modeller, yardmc deikenlerin tanmna gre dm ve ayrt tabanldr. Bu
modellerden, dm tabanl olan DTM, ayrt tabanl olan ise ATM olarak
ksaltlmtr. Tezin bu ve bundan sonraki blmlerinde modelleri tanmlamada bu
ksaltmalar kullanlacaktr.
4.1. ZPGSP in Gelitirilen Dm Tabanl Dorusal Karar Modeli (DTM)
Bu blmde, dmler zerinde tanmlanan yardmc deikenlere bal olarak
retilen kstlardan oluan dm tabanl modele yer verilmektedir.
: , balangtan inci ehre hizmet verilene kadar geen sre,
: ayrtlarda geen toplam sre,
: beklemelerde geen toplam sre.
-
23
Tm modeller iin geerli olan ortak tanm ve simgesel gsterimlerle birlikte
ZPGSP iin gelitirilen DTM,
eklindedir.
-
24
Bu modelde (72) ve (73) nolu kstlar her dme bir dmden gelinip bu
dmden de tek bir dme geilmesini salamaktadr. Dolaysyla (72) ve (73)
nolu kstlar modelin atama kstlardr.
(74) ve (75) nolu eitliklerdeki , tur zerindeki ayrtlarda geen srelerin toplam
ve beklemelerde geen srelerin toplam olarak tanmlanmtr. Bu tanmlara
gre, (76) nolu eitsizlii ZPGSP iin geerli bir eitsizlik olup,
gezginin bekleme zamanlar da dahil olmak zere depodan kt andan tekrar
depoya dnd ana kadar geen sreyi sklatran bir ksttr. Her dme
hizmet verildii an, dme en erken ve en ge geli zamanlar (zaman penceresi)
arasnda kalacandan (77) ve (78) nolu kstlar salanmaldr.
Depodan ilk k dm ve bu arada geen sre ile tanmlanan karar
deikenlerinin anlamlar gz nne alnarak (79) ve (80) nolu kstlar
gelitirilmitir.
nerme 1: Aadaki eitsizlikler ZPGSP iin geerli eitsizliklerdir.
Kant: olacandan, (72) ve (73) nolu kstlar gereince karar
deikeni, depodan inci dme gelinmise 1, dier durumlarda 0 olacaktr.
karar deikeninin 1e eit olmas durumunda, (79) nolu eitsizlikten ve
(80) nolu eitsizlikten elde edilir ki inci dmn turdaki ilk durak olmas
halinde, bu dme geli an olacaktr. inci dmn tur zerindeki ilk
dm olmamas halinde ise deerini alr ki (79) ve (80) nolu
eitsizliklerden elde edilir. aikar olup, ilikisi ise zaman
penceresi gereidir. (79) ve (80) nolu eitsizlikler ZPGSP iin snrlandran kstlar
olarak ele alnacaktr.
Gezginin inci dme hizmet verene kadar geen sre, inci dme geli an ile
nci dme hizmet verene kadar geen bekleme sresinin toplam olacandan,
kstlar yazlr.
-
25
Gezginin depodan ktktan sonra, tm dmlere urayp yine depoya
dnebilmesi iin; ara dmler arasnda alt turlar olumadan her ara dme
ilikin ve deikenlerinin tanmlaryla uyumlu artan bir basamak fonksiyonu
oluturmaldr. Eer inci dmden inci dme geilmise
olmaldr. Bu iliki, ekil 4.1de verilmitir:
ekil 4.1: Deikenler Aras likinin ekilsel Gsterimi
Tur zerindeki deikenler arasnda gereklemesi zorunlu olan; eer ise
salanmaldr eklindeki ilikinin dorusallatrlmas nerme 2de
verilmitir:
nerme 2: Aadaki bantlar ZPGSP iin geerli eitsizlikler olup alt turlarn
olumasna engel olurlar ve tur zerinde kar gelen karar deikenlerinin
tanmlaryla uyumlu deer almasn garanti ederler. Eer ise ve
olduunda, denklemi aadaki ekilde dorusal hale getirilebilir:
Kant: ve dmleriyle ilgili olarak aadaki durum sz konusu olabilir:
i) ,
ii) ,
iii) , (veya , )
j i
-
26
Eer ilk durum ortaya km ise, bu iki dm arasnda bir alt tur meydana gelmi
demektir. (82) ve (83) nolu bantlar hem , hem ayrtlar iin yazlr ve
deikenlerinin yerine 1 deeri konulursa,
iin
ve iin
elde edilir ki, ve olduu gz nne alndnda,
bulunur. Bu eitsizlikler taraf tarafa toplanrsa, elde edilir ki
ler hibir zaman sfr olamayacandan, bu mmkn deildir. O halde, (82) ve
(83) nolu eitsizlikler gerei olamaz.
kinci durumun ortaya kmas, ne inci dmden inci dme ne de inci
dmden inci dme gidilmemesidir. (82) ve (83) nolu bantlar hem ,
hem ayrtlar iin yazlr ve deikenlerinin yerine 0 deeri konulursa,
iin
ve iin
elde edilir. Her zaman ve ile ve olacandan
durumunda (82) ve (83) nolu eitsizlikler salanr.
Son durum ortaya ktnda yani karar deikeni 1e eit olduunda ise, (82)
nolu eitsizlikten ve (83) nolu eitsizlikten elde edilir ki
burada yerine konulduunda, eitlii bulunur. Bunlardan
(82) ve (83) nolu eitsizlikler, dmlere geli an olan lere srekli artan
deerler atayacak, bunlar artan bir basamak fonksiyonu oluturacaktr. Bylece
ara dmler arasnda bir alt tura izin verilmeyecektir. Bu nedenle, (82) ve (83)
nolu bantlar, ZPGSP iin alt tur engelleme kstlardr.
-
27
(84) ve (85) nolu kstlar ve karar deikenlerinin sfrdan kk olmamasn
salamaktadr. (86) nolu kstlar ise karar deikeni iin tamsay kstlardr.
(87) nolu fonksiyon, ayrtlarda ve beklemelerde geen sre olmak zere toplam
sreyi enkkleyen ama fonksiyonudur.
Tam bal bir serimde ZPGSP iin 12 grup bantdan oluan modelin kst says,
( ) kadardr. Modele esas, ( ) tane srekli deiken ve ( ) tane
sfr-bir tamsay deikeni vardr. nerilen karar modeli, leinde kst ve
leinde tamsay karar deikenine sahiptir. Dolaysyla model, polinom
byklkte karar deikeni ve kst iermektedir.
4.2. ZPGSP in Gelitirilen Ayrt Tabanl Dorusal Karar Modeli (ATM)
Bu ksmda, ayrtlar zerinde tanmlanan yardmc deikenlere bal olarak
tretilen kstlardan oluan modele yer verilmitir.
eklinde tanmlanan yeni bir karar deikeni olsun. Ayrtlara bal olarak
tanmlanan lerden hareketle gelitirilen aadaki model, ayrt tabanl model
(ATM) olarak adlandrlmtr.
Tm modeller iin geerli olan ortak tanm, simgesel gsterimler ve DTM iin
verilen yeni tanmlara ek olarak ZPGSP iin gelitirilen ATM,
-
28
eklindedir.
(88), (89), (90) ve (91) nolu kstlar DTMdeki kstlarn aynsdr. DTMde olduu
gibi, (88) ve (89) nolu kstlar atama kstlar; (90) ve (91) nolu eitlikler ise ve
deikenlerine, tanmlar gerei deer atayan kstlardr. (92) nolu
eitsizlii ZPGSP iin geerli bir eitsizlik olup,
gezginin bekleme zamanlar da dahil olmak zere, depodan kt andan tekrar
depoya dnd ana kadar geen sreyi sklatran bir ksttr.
(93) nolu kstlar, karar deikenine ilk atamay yapan kstlardr. Gezgin,
depodan inci ehre gitmise ilgili olacandan, yardmc deikeni
depo ile inci ehir arasnda geen sre olan ye eit olacaktr.
(94) nolu kstlar, gezginin depodan ktktan sonra, tm dmlere urayp yine
depoya dnebilmesi iin ara dmler arasnda alt turlar olumadan her ara
dme ilikin deikenlerinin tanmlaryla uyumlu ve beklemelerin de gz
nne alnd artan bir basamak fonksiyonu oluturmaktadr. Dolaysyla (94) nolu
kstlar grubu, modelin alt tur engelleyici kstlardr.
-
29
(95) ve (96) nolu kstlar, gezginin her bir dme nceden tanmlanan zaman
pencereleri iinde gelmesini salayan kstlardr. (95) nolu kstlar, ilgili dme
geli an ve o dm nndeki beklemelerin, o dme en erken geli anndan
byk ya da eit olmasn salamaktadr. (96) nolu kstlar ise, ilgili dme geli
ann gsteren deikeninin, dme en ge geli anndan daha byk
olmasna izin vermemektedir.
(97) nolu kstlar karar deikeninin sfrdan kk olmamasn salamaktadr.
(98) nolu kstlar ise karar deikeni iin tamsay kstlardr. (99) nolu
fonksiyon, DTMnin ama fonksiyonu ile ayn olup ayrtlarda ve beklemelerde
geen sre olmak zere toplam sreyi enkkleyen ama fonksiyonudur.
Tam bal bir serimde ZPGSP iin 9 grup bantdan oluan modelin kst says,
( ) kadardr. Modele esas, ( ) adet srekli deiken ve ( )
adet sfr-bir tamsay deikeni bulunmaktadr. nerilen karar modeli,
leinde kst ve leinde tamsay karar deikenine sahiptir. Dolaysyla
ATM de, polinom byklkte karar deikeni ve kst iermektedir.
4.3. nerilen Modellerin Katklar
nceki kesimlerde verilen her iki modelle, ZPGSP zmne getirilen yenilikler
aada ksaca aklanmtr:
4.3.1. nceki Modellere Getirilen Eletirilerin Giderilmesi
Gelitirilen modellerin en nemli katks bir kaynak kullanm olan bekleme
srelerini dikkate alyor olmasdr. Ayrca, gelitirilen modeller ile GL modelinin
sahip olduu dezavantajlar ortadan kaldrlmtr. Gelitirilen modeller ok gezginli
problem iin ok kolay uyarlanabilecei gibi, modelde olmas istenen herhangi bir
ek kst modele zahmetsizce eklenebilmektedir. Bu katklarn yan sra, modellerde
yaplan kk deiiklerle problemlerin farkl ltlere gre alternatif zmleri
elde edilebilmekte ve bu zmler baskn ya da baskn olmayan zmler eklinde
snflandrlabilmektedir.
-
30
Tm iletmelerde retimin salkl bir biimde yrtlebilmesi iin tedarik zinciri
srecinin iyi ynetiliyor olmas gerekir. rnein, otomotiv sektr iin 5-6 bin
paradan oluan aracn bu paralarnn istenilen miktarda, istenilen zamanda bir
araya getirilmesi gerekmektedir. Bu noktada zamana kar bir yar kanlmazdr.
Dolaysyla beklemelerden meydana gelen ticari kayplarn da gz nnde
bulundurulmas gerekmektedir. Bu durum, ZPGSP asndan dnlecek olursa
zaman pencereleri iinde ehri ziyaret etmek durumunda olan gezgin, ehre
hizmete en erken balama anndan daha nce gelirse bu ana kadar beklemek
durumunda kalr. Bu arada geen sre phesiz ki bir kaynak kullanmdr. Bu
adan, literatrde says olduka az olan beklemeleri gz nne alan ZPGSP
modellerine yeni bir yorumun katlmas olduka nemli bir gelimedir.
Yeni modellerin sahip olduu baka bir avantaj ise, GL modeline yaplan
eletirilere cevap verebilmesidir. GL modeline yaplan eletiriler hatrlanacak
olursa, bu modeldeki karar deikenleri iki indisli olmasna ramen tek indisle
aklanm ve model bir parametresine bal kalmtr. Yeni modellerde
tanmlanan karar deikenleri, ZPGSP asndan uygun anlamlara sahip
deikenler olduu gibi indis saylaryla rten tanmlar yaplmtr. Ayrca yeni
modellerde herhangi bir parametre tanm yaplmamtr. Daha nce de
bahsedildii zere, bir modelin parametreden bamsz olmas, modelin
performans asndan byk nem tamaktadr. Herhangi bir parametre tanm
yapldnda modelin performans dorudan parametrenin doru tahmin
edilmesine bal olmaktadr. Dolaysyla, matematiksel modeldeki parametre
optimizasyonu da ayr bir problem olarak ortaya kmaktadr. Bu nedenle,
modellerin parametrelerden bamsz olmas yaplan baka bir katk olarak
grlebilir.
4.3.2. Farkl Ama Fonksiyonlar
ZPGSPde ele alnabilecek ltler ve bu ltlerin her biri iin nerilen modellere
kar gelen ama fonksiyonlar aada sralanmtr:
i) Ayrtlarda geen sre enkk olsun:
-
31
ii) Turda geen sre enkk olsun:
iii) Ayrtlardaki seyahat maliyeti enkk olsun:
iv) Ayrtlarda geen seyahat ve dmlerde bekleme maliyetleri toplam
enkk olsun:
Grld gibi, her iki model de farkl ama fonksiyonlar ile ele alnp,
kullanlabilecek zelliktedir.
4.3.3. ok Gezginli ZPGSP
Yeni modellerin ok gezginli hale kolaylkla dntrlebilme zellii de nemli bir
katkdr. nk modeller, kk bir mdahale ile ok gezginli hale
dntrlebilmektedir. Her iki modelin ilk iki kst, depo iin aadaki gibi
yazlarak;
modeller, ok gezginli hale dnm olur. Problemde gezgin olduunda;
kst depodan adet k, kst ise depoya adet girii salamaktadr.
-
32
4.3.4. Ek Kstlar
Modelin bu zelliinin yannda, modele eklenmesi istenen herhangi bir kst da
modele kolaylkla uyarlanabilir. Szgelimi,
inci dm inci dmden hemen sonra ziyaret edilecekse,
inci dm inci dmden nce ziyaret edilecekse,
kstlarnn modele eklenmesi yeterlidir.
4.3.5. ok ltl Analizler
Gelitirilen modellerin yapt dier nemli bir katk da, modellerden problemlerin
alternatif zmlerinin elde edilebiliyor olmasdr. Bu zellii rneklemek zere,
DTMnin ama fonksiyonu farkl ltlere gre deitirilerek ve yeni bir ek kst
eklenmesiyle alternatif zmler elde edilmitir. ncelikle, DTMdeki ama
fonksiyonu,
eklinde deitirilerek beklemeler serbest braklm ve yalnzca ayrtlarda geen
sre enkklenmitir. Bu model, DTA modeli olarak adlandrlmtr. DTMden
tretilen ikinci model olan DTA modeline,
kstnn eklenmesiyle DTAT-1 modeli elde edilmitir. deeri, DTMden elde
edilen ama fonksiyonu deeridir. Bu modelde, toplam tur uzunluu sabit kalmak
kouluyla beklemeler sktrlarak ayrtlarda geen srelerin toplam
enkklenmitir.
DTA modelinde, beklemeler serbest braklm ve yalnzca turda geen srelerin
toplam enkklenmitir. DTA modeli, beklemeleri de gz nne alan ancak
ayrtlarda geen srelerin toplamn enkkleyen zmler vermektedir.
Dolaysyla, DTA modelinin ama fonksiyonu deeri ( ), test problemlerinin
WEBdeki zm deerleriyle rtmek zorundadr. nk test problemlerinin
-
33
WEBdeki zmleri, beklemeler gz nne alnmakszn ayrtlarda geen toplam
sreyi enkkleyecek turlar vermektedir. Bu durum gz nne alndnda,
model doru sonular vermektedir. Yan sra, koyu olarak yazlan 12 problem iin
DTA modelinden elde edilen toplam sreyle DTMden elde edilen toplam srenin
farkl olmas doaldr. nk bu problemlerde ayrtlarda geen srelerin toplamn
enkkleyen turlarn bekleme sreleri, toplam sreyi arttrarak DTMden farkl
sonular elde edilmesine yol amtr. 20 dml simetrik 25 tane problemin
DTM, DTA ve DTAT-1 modelleriyle zmnden elde edilen deerler izelge
4.1de gsterilmitir.
izelge 4.1: 20 Dml Simetrik Problemlerin T1 ve T2 Deerleri
Problem DTM DTA DTAT-1
T1 T2 Toplam T1 WEB T2 Toplam T1 T2 Toplam
n20w20.001 380 7 387 378 378 9 387 378 9 387
n20w20.002 295 1 296 286 286 10 296 286 10 296
n20w20.003 394 9 403 394 394 9 403 394 9 403
n20w20.004 398 3 401 396 396 7 403 398 3 401
n20w20.005 361 4 365 352 352 13 365 352 13 365
n20w40.001 260 20 280 254 254 28 282 257 23 280
n20w40.002 351 6 357 333 333 24 357 333 24 357
n20w40.003 338 17 355 317 317 41 358 338 17 355
n20w40.004 394 3 397 388 388 9 397 388 9 397
n20w40.005 307 18 325 288 288 38 326 307 18 325
n20w60.001 349 51 400 335 335 65 400 335 65 400
n20w60.002 259 41 300 244 244 60 304 246 54 300
n20w60.003 371 10 381 352 352 31 383 352 29 381
n20w60.004 326 11 337 280 280 57 337 280 57 337
n20w60.005 352 40 392 338 338 54 392 338 54 392
n20w80.001 379 24 403 329 329 87 416 329 74 403
n20w80.002 388 9 397 338 338 59 397 338 59 397
n20w80.003 343 22 365 320 320 45 365 320 45 365
n20w80.004 309 36 345 304 304 55 359 304 41 345
n20w80.005 303 4 307 264 264 83 347 278 29 307
n20w100.001 301 8 309 237 237 78 315 245 64 309
n20w100.002 279 6 285 222 222 70 292 258 27 285
n20w100.003 340 18 358 310 310 87 397 330 28 358
n20w100.004 375 4 379 349 349 30 379 349 30 379
n20w100.005 304 23 327 258 258 106 364 258 69 327
: turda geen srelerin toplam
: bekleme sreleri toplam
-
34
DTAT-1 modelinde ise, toplam srenin sabit kalmas kouluyla beklemeler
sktrlarak ayrtlarda geen sre enkklenmektedir. DTAT-1 modelinde toplam
tur sresinin ( ) DTMden elde edilen eniyi deere eitlenmesiyle toplam
sre sabitlenmitir. Dolaysyla, DTAT-1 modelinden elde edilen toplam srelerin
DTMden elde edilen toplam srelere eit olmas kanlmazdr.
Grld zere bu modelden farkl turlarn elde edilmesiyle alternatif
zmlere eriilmektedir. rnein n20w60.001 probleminde toplam sre, her
modelde 400 birim zaman olmutur. Buna karn, DTMden elde edilen zmde
toplam bekleme sresi 51 birim zamanken, DTA ve DTAT-1 modellerinde ise 65
birim zaman olmutur. n20w80.004 probleminde ise toplam sre, DTM ve DTAT-1
modeli iin 345 birim zaman ve DTA modeli iin 359 birim zamandr. Bu
sonulardan anlalaca zere, her model bu problem iin alternatif zmler
vermitir. DTMde ayrtlarda geen toplam sre 309 birim zaman ve beklemelerde
geen toplam sre 36 birim zaman olmutur. Ayn problem iin DTAT-1 modeli
alternatif bir zm bulmu ve toplam sre sabit kalmak kouluyla ayrtlarda geen
toplam sreyi 4 birim aa ekmitir. Yaplan bu modelleme sayesinde, bir
problemin alternatif zmleri elde edilebilmektedir.
n20w80.004 probleminin model ile elde edilen alternatif zmlerine ait grafik
ekil 4.2de verilmitir.
ekil 4.2: n20w80.004 Probleminin Alternatif zmlerine Ait T1-T2 Grafii
309; 36
304; 55
304; 41
0
10
20
30
40
50
60
303 304 305 306 307 308 309 310
T2
T1
A
B C
-
35
ekil 4.2de A noktas ile gsterilen zm DTA modeline, B noktas ile gsterilen
zm DTAT-1 modeline ve C noktas ile gsterilen zm ise DTMye aittir. Bu
zmlerden B noktas, A noktasna gre baskn bir zmdr. Karar verici, byle
bir durumla karlatnda phesiz Bdeki zm benimseyecektir. Bunun yan
sra, B ve C zmleri birbirlerine gre baskn zmler olamazlar. Her iki zm
iin toplam sre 345 birim zamandr. Karar verici iin bekleme zamanlarnn az
olmas nemli ise C zm, ayrtlarda geen srelerin toplamnn az olmas
nemli ise B zm benimsenmelidir.
Son olarak, DTMden tretilen DTAT-1 modeline deneme says olmak zere,
kstnn eklenmesiyle DTAT-2 modeli elde edilmitir. deeri, ilgili problem iin
DTAT-1 modelinin sonucundan elde edilen deeridir. olmak
zere, nin her bir deeri iin model yeniden zlerek baskn ya da baskn
olmayan zmlerin varl incelenmitir.
Grld zere, gelitirilen modeller ile alternatif zmlerin varlna ilikin
analizler yaplabilmektedir. Toplam tur sresi sabit kalmak kouluyla ayrtlarda ve
beklemelerde geen sreler ynyle dnleme erileri izilebilir. Dolaysyla, bu
yaklam ZPGSP iin ok ynl analiz yaplmasn salamaktadr.
-
36
5. SAYISAL ANALZLER
Bu blmde tez kapsamnda ZPGSP iin gelitirilen matematiksel modellerin
(DTM ve ATM) performans iki aamada incelenmektedir. Birinci aamada, DTM
ve ATM karlatrlarak performans iyi olan model belirlenmektedir. kinci
aamada ise, seilen modelin performans literatrde bu problem iin nerilen GL
modeli ile karlatrlmaktadr. Her iki aamada performans ls olarak, zm
sresi (modelin bir probleme eniyi zm bulmak iin harcad zaman) ve
dorusal programlama gevetme deerleri (DPG) dikkate alnmtr.
5.1. Test Problemleri
Matematiksel modellerin performanslarnn deerlendirilmesi iin kullanlan test
problemleri, http://iridia.ulb.ac.be/~manuel/tsptw-instances adresinden alnmtr.
Bu adreste test problemleri, simetrik ZPGSP iin verilmektedir. Modellerin
performans analizi, 20 dml ve 40 dml test problemleri zerinde
yaplmtr. Test kapsamnda bu problemler kk ve orta boyutlu test problemleri
olarak adlandrlmtr. Saysal analizde her bir boyut iin 25 test problemi dikkate
alnmtr.
5.2. Yazlm / Donanm
Test problemleri, matematiksel modeller ile CPLEX 12.0 paket program
kullanlarak zlmtr. CPLEX program, bir tamsayl karar modelini dal-snr
yntemi uygulayarak zen bir paket programdr. CPLEXde bir problemin zm
ilemleri aada aklanan farkl durumdan biri ortaya ktnda sonlanr.
1) Alt snr ve st snr deeri arasndaki aklk: Bu yaklamda program, alt snr
deeri ile st snr deeri arasndaki farkn 0.0001 deerinin altna dtnde
zm sonlandrmakta ve bulunan eniyi zm raporlamaktadr. Bu zmler
tez kapsamnda ilgili test problemleri iin eniyi zm olarak dikkate alnmtr.
Ancak, bu zmlerden 0.0001 deer farkla daha iyi bir zm de bulunabilir.
-
37
2) Programda kullanlan hafza: Bu yaklamda program, problemin zm
srasnda kullanlan hafza belirlenen bir snr deeri amas durumunda
zm sonlandrmakta ve o ana kadar bulunan zm raporlamaktadr.
3) zm sresi: CPLEX, kullanc isteine gre tanmlanan bir zm sresinin
almas durumunda zm sonlandrmakta ve o ana kadar bulunan zm
raporlamaktadr. Tez kapsamnda, problemlerin zm iin zm sresi 7200
saniye ile snrlandrlmtr.
Problemlerin zmnde, Intel Core i5 ilemci, drt ekirdek, 4 GB RAM ve 276
GBlk sabit disk bulunan bir bilgisayar kullanlmtr.
5.3. Yeni Modellerin Karlatrlmas
Bu blmde saysal analiz sonular kk ve orta boyutlu test problemleri iin
ayr ayr verilecektir.
Kk Boyutlu Test Problemleri in Karlatrma
DTM ve ATM, ncelikle 20 dml test problemlerinde eniyi zme ulama
zaman asndan karlatrlmtr. izelge 5.1de her iki model iin zm
zamanlar verilmektedir. izelge incelendiinde, DTM ve ATMnin 7200 saniye
iinde test problemlerinin tmnde eniyi zme ulat grlmektedir. Tm test
problemleri iin DTMnin zm zaman ATMden kktr. Modellerin ortalama
zm sreleri ise srasyla 2.27 ve 19.24 saniyedir. Grld gibi, DTM
ortalama zm sresi asndan ATMnin yaklak sekizde bir sresinde eniyi
zme ulamaktadr.
-
38
izelge 5.1: 20 Dml Simetrik Problemlerin zm Sreleri
PRB. DTM ATM
S S
n20w20.001 0.16 2.79
n20w20.002 0.08 2.45
n20w20.003 0.06 3.15
n20w20.004 0.08 8.33
n20w20.005 0.05 3.49
n20w40.001 0.89 18.75
n20w40.002 0.11 2.29
n20w40.003 0.16 31.54
n20w40.004 0.17 11.40
n20w40.005 0.23 10.28
n20w60.001 1.00 14.73
n20w60.002 0.41 7.83
n20w60.003 0.23 12.54
n20w60.004 1.59 3.74
n20w60.005 1.59 23.06
n20w80.001 0.86 25.47
n20w80.002 0.72 17.36
n20w80.003 0.42 10.16
n20w80.004 6.43 43.67
n20w80.005 19.27 35.83
n20w100.001 3.60 16.37
n20w100.002 6.22 56.38
n20w100.003 3.88 81.40
n20w100.004 4.38 31.08
n20w100.005 4.23 6.91
ORT. 2.27 19.24
S : zm sresi (sn)
DTM ve ATM, kk boyutlu problemler iin DPG deerleri asndan da
karlatrlmtr. izelge 5.2de her iki model iin DPG deerleri ve bu deerlerin
eniyi zmlerden sapma oranlar (DPS) verilmektedir. izelge incelendiinde,
heriki model ile 11 problemde ayn DPG deerleri elde edilmitir. Bu problemler
izelgede koyu olarak yazlmtr. Dier problemler iin, ATM ile elde edilen DPG
deerlerinin DTMnin deerlerinden daha byk dolaysyla daha iyi olduu
grlmektedir. DPG deerlerinin eniyi zmlerden sapma oranlarna (DPS)
-
39
bakldnda ise, her iki model iin sapma oranlarnn ok yksek olmad
grlmektedir. DTM ve ATM iin ortalama sapma oranlar srasyla 0.13 ve 0.11
olup birbirine ok yakndr.
Ortalama sapma oranlar asndan DTM ve ATM arasnda anlaml bir farklln
olup olmadn aratrmak amacyla istatistiksel analiz yaplmtr. Bu analizde
MINITAB paket program kullanlmtr. ncelikle sapma oranlarnn
varyanslarnn eit olup olmadn aratrmak iin varyans testi, ardndan kan
sonuca gre iki modelin ortalama sapma oranlar iin t testi yaplmtr. Varyans
testi iin kurulan hipotezler ve MINITAB sonular aada verilmektedir:
Test for Equal Variances: DTM versus ATM
95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 1,57; p-value = 0,665
Levene's Test (any continuous distribution)
Test statistic = 1,88; p-value = 0,160
Test for Equal Variances for DTM; ATM
Test sonucuna gre dr. %95 gven aralnda
olduu iin reddedilemez. Dolaysyla alnan rneklemlere dayanarak DTM ve
ATMnin sapma oranlarnn (DPS) varyanslar arasnda anlaml bir farkllk yoktur.
Bu nedenle her iki model iin varyanslar eit kabul edilebilir.
ki rneklemin varyanslarnn eit olduu varsaym altnda, DTM ve ATMnin
ortalama DPS oranlar arasndaki fark iin t testine ilikin hipotez testi ve sonular
aada verilmektedir:
Two-Sample T-Test and CI: DTM; ATM
Two-sample T for DTM vs ATM
Sample N Mean StDev SE Mean
DTM 25 0,1300 0,0500 0,010
ATM 25 0,1100 0,0600 0,012
-
40
Difference = mu (DTM) - mu (ATM)
Estimate for difference: 0,020000
95% CI for difference: (-0,011442; 0,051442)
T-Test of difference = 0 (vs not =): T-Value = 1,28
P-Value = 0,207 DF = 46
Grld gibi dir. olduundan
reddedilemez. Dolaysyla, %95 gven aralnda alnan rneklemlere dayanarak
ortalama DPS oranlar asndan DTM ve ATM arasnda anlaml bir farkllk yoktur.
izelge 5.2: 20 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar
PRB. DTM ATM
DPG DPS DPG DPS
n20w20.001 354.00 0.09 369.07 0.05
n20w20.002 291.00 0.02 294.47 0.01
n20w20.003 351.00 0.13 380.70 0.06
n20w20.004 369.00 0.08 397.64 0.01
n20w20.005 306.00 0.16 336.60 0.08
n20w40.001 244.00 0.13 245.10 0.12
n20w40.002 331.00 0.07 340.90 0.05
n20w40.003 300.00 0.15 310.31 0.13
n20w40.004 317.00 0.20 345.90 0.13
n20w40.005 305.00 0.06 319.00 0.02
n20w60.001 322.00 0.20 325.76 0.19
n20w60.002 251.00 0.16 251.00 0.16
n20w60.003 323.00 0.15 323.00 0.15
n20w60.004 305.00 0.09 313.45 0.07
n20w60.005 332.00 0.15 332.00 0.15
n20w80.001 352.00 0.13 354.33 0.12
n20w80.002 345.00 0.13 345.00 0.13
n20w80.003 308.00 0.16 308.00 0.16
n20w80.004 275.00 0.20 275.37 0.20
n20w80.005 283.00 0.08 283.00 0.08
n20w100.001 270.00 0.13 270.00 0.13
n20w100.002 247.00 0.13 247.00 0.13
n20w100.003 303.00 0.15 303.00 0.15
n20w100.004 320.00 0.16 320.00 0.16
n20w100.005 285.00 0.13 285.00 0.13
ORT. 0.13 0.11
DPG : dorusal programlama gevetme deeri,
DPS = (OPT DPG) / OPT
-
41
Orta Boyutlu Test Problemleri in Karlatrma
DTM ve ATM, 40 dml test problemleri iin ncelikle eniyi zm bulma ve
zm sresi asndan karlatrlmtr. Bu aamada her iki model iin zm
sresi 7200 saniye ile snrlandrlmtr. izelge 5.3te DTM ve ATM iin, eniyi
zm ( stunu) ve zm sresi (S stunu) verilmektedir. izelgede, 7200
saniyede ilgili model ile eniyi zme ulalamayan problemler iin stunu bo
braklmtr. izelge incelendiinde, 7200 saniye ierisinde DTM 25 problemin
sadece nde eniyi zme ulaamazken, ATM 14 problemde eniyi zme
ulaamamtr. Bu sonu, ATMnin problem boyutu bydke yetersiz kaldn
gstermektedir. DTM ile eniyi zmn elde edilemedii 3 problem n40w60.003,
n40w100.001, n40w100.002 dir. Bu problemlerden n40w60.003 ve n40w100.002
kodlu problemler iin hafza snr aldndan dolay zm sreci
sonlandrlmtr. n40w100.001 problemi ise sre snrn am ve bu problem iin
uygun bir zm dahi bulunamamtr. ATM ise, eniyi zm bulamad 14
problem iin uygun bir zme dahi ulaamam ve bu problemlerin tmnde
sonlandrma sebebi sre snrnn almas olmutur. DTM ve ATM, 7200 saniye
iinde zebildii problemlerin zm sreleri asndan karlatrldnda
DTMnin daha ksa srelerde eniyi zme ulat grlmektedir. DTM iin
ortalama zm sresi 1149.30 iken bu deer ATM iin 3471.30dur. Dolaysyla,
DTM, n40w80.002 problemini 7200. saniyede zmtr. ATM ise bu probleme
7200 saniye iinde uygun bir zm dahi bulamamtr.
-
42
izelge 5.3: 40 Dml Simetrik Problemlerin zm Deerleri ve Sreleri
PRB. DTM ATM
S S
n40w20.001 520 4.20 520 1107.26
n40w20.002 607 0.42 607 4981.08
n40w20.003 514 1.54 514 1437.49
n40w20.004 442 2.56 442 1646.26
n40w20.005 520 0.56 520 124.07
n40w40.001 510 8.42 510 2841.18
n40w40.002 519 606.58 - 7200.00
n40w40.003 536 1.08 - 7200.00
n40w40.004 508 7.21 508 6909.74
n40w40.005 488 6.57 488 2153.49
n40w60.001 535 81.53 535 3076.04
n40w60.002 509 1041.38 - 7200.00
n40w60.003 464 1438.50 465 6707.67
n40w60.004 475 24.94 - 7200.00
n40w60.005 423 30.70 - 7200.00
n40w80.001 497 2048.39 - 7200.00
n40w80.002 498 7200.00 - 7200.00
n40w80.003 488 796.42 - 7200.00
n40w80.004 462 746.28 462 7200.00
n40w80.005 488 247.07 - 7200.00
n40w100.001 - 7200.00 - 7200.00
n40w100.002 421 1608.95 - 7200.00
n40w100.003 458 3838.19 - 7200.00
n40w100.004 476 1747.73 - 7200.00
n40w100.005 458 43.20 - 7200.00
ORT*
1149.30
3471.30
: eniyi zmn veya eldeki zmn ama fonksiyonu deeri
S : zm sresi (sn)
ORT* : 7200 saniyede eniyi zm bulunan ortak problemlerin zm srelerinin
ortalamas
Orta boyutlu problemler iin DTM ve ATM ile elde edilen DPG deerleri ve DPS
oranlar izelge 5.4 de verilmektedir. izelge incelendiinde 12 problem iin her
iki modelde ayn DPG deerine ulamtr. Bu problemler izelgede koyu olarak
yazlmtr. Dier problemler iin ATMnin DPG deerleri, DTMnin DPG
deerlerinden daha iyidir. DPG deerlerinin eniyi zmlerden sapma oranlarna
(DPS) bakldnda ise, her iki model iin sapma oranlarnn ok yksek olmad
grlmektedir. Ortalama DSP oran DTM iin 0.09 iken ATM iin 0.08dir.
-
43
izelge 5.4: 40 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar
PRB. DTM ATM
DPG DPS DPG DPS
n40w20.001 484.00 0.07 484.65 0.07
n40w20.002 550.00 0.09 581.84 0.04
n40w20.003 479.00 0.07 496.59 0.03
n40w20.004 408.00 0.08 416.33 0.06
n40w20.005 461.00 0.11 469.40 0.10
n40w40.001 462.00 0.09 466.66 0.08
n40w40.002 479.00 0.08 493.23 0.05
n40w40.003 478.00 0.11 485.90 0.09
n40w40.004 462.00 0.09 493.38 0.03
n40w40.005 452.00 0.07 460.70 0.06
n40w60.001 491.00 0.08 495.20 0.07
n40w60.002 446.00 0.12 446.00 0.12
n40w60.003 433.00 0.07 433.00 0.07
n40w60.004 427.00 0.10 427.89 0.10
n40w60.005 387.00 0.09 387.00 0.09
n40w80.001 435.00 0.12 435.00 0.12
n40w80.002 447.00 0.10 447.00 0.10
n40w80.003 432.00 0.11 432.30 0.11
n40w80.004 430.00 0.07 430.00 0.07
n40w80.005 401.00 0.18 401.00 0.18
n40w100.001 446.00 0.05 446.00 0.05
n40w100.002 411.00 0.09 411.00 0.09
n40w100.003 399.00 0.13 399.00 0.13
n40w100.004 447.00 0.06 447.00 0.06
n40w100.005 408.00 0.11 408.00 0.11
ORT.
0.09
0.08
DPG : dorusal programlama gevetme deeri,
DPS = (OPT DPG) / OPT
Ortalama DPS oranlar asndan DTM ve ATM arasnda anlaml bir farklln olup
olmadn aratrmak amacyla istastiksel analiz yaplmtr. Kk boyutlu
problemlerde olduu gibi ncelikle sapma oranlarnn varyanslarnn eit olup
olmadn aratrmak iin varyans testi, ardndan kan sonuca gre iki modelin
ortalama sapma oranlar iin t testi yaplmtr. Varyans testi iin kurulan hipotezler
ve MINITAB sonular aada verilmektedir:
-
44
Test for Equal Variances: DTM versus ATM
95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 0,62; p-value = 0,246
Levene's Test (any continuous distribution)
Test statistic = 1,82; p-value = 0,183
Test for Equal Variances for DTM; ATM
Test sonucuna gre dr. %95 gven aralnda
olduu iin reddedilemez. Dolaysyla alnan rneklemlere dayanarak DTM ve
ATMnin sapma oranlarnn (DPS) varyanslar arasnda anlaml bir farkllk yoktur.
Bu nedenle heriki modelin iin varyanslar eittir.
ki rneklemin varyanslarnn eit olduu varsaym altnda, DTM ve ATMnin
ortalama DPS oranlar arasndaki fark iin t testine ilikin hipotez testi ve sonular
aada verilmektedir:
Two-Sample T-Test and CI: DTM; ATM
Two-sample T for DTM vs ATM
N Mean StDev SE Mean
DTM 25 0,0936 0,0272 0,0054
ATM 25 0,0832 0,0346 0,0069
Difference = mu (DTM) - mu (ATM)
Estimate for difference: 0,010400
95% CI for difference: (-0,007335; 0,028135)
T-Test of difference = 0 (vs not =): T-Value = 1,18
P-Value = 0,244 DF = 45
Grld gibi dir. olduundan
reddedilemez. Dolaysyla, %95 gven aralnda alnan rneklemlere dayanarak
ortalama DPS oranlar asndan DTM ve ATM arasnda anlaml bir farkllk yoktur.
-
45
Gerek 20 dml problemlerde, gerekse de 40 dml problemler iin eniyi
zme ulalan problem says ve ortalama zm sresi asndan DTMnin
daha iyi bir performansa sahip olduunu gstermektedir. Kk ve orta boyutlu
test problemleri zerinde yaplan bu saysal analiz sonularna gre, dikkate
alnan performans ltleri (eniyi zm bulma, zm sresi ve DPG deerleri)
asndan DTMnin ATMye gre daha iyi bir performans sergiledii grlmtr.
Sonu olarak, simetrik bir ZPGSP dorudan bir matematiksel model ile zlmek
istendiinde tez kapsamnda gelitirilen DTM nerilir. Bu nedenle, bir sonraki
aamada DTMnin performans kaynaklarda nerilen GL modeli ile karlatrmal
olarak incelenecektir.
5.4. DTMnin Kaynaklardaki Model ile Karlatrlmas
Bir nceki blmde olduu gibi DTM ve GL modeli iin saysal analiz sonular,
kk ve orta boyutlu problemler iin verilecektir.
Kk Boyutlu Test Problemleri in Karlatrma
izelge 5.5te DTM ve GL modelinin 20 dml problemler iin eniyi zme
ulama zamanlar verilmektedir. Grld gibi her iki model de, tm test
problemleri iin eniyi zm 7200 saniye snr iinde bulmutur. n20w60.004
problemi dndaki tm problemler iin DTM eniyi zme GL modelinden daha
ksa srede ulamtr. DTM iin ortalama zm sresi 2.27 saniye iken, bu sre
GL modeli iin 10.39 saniyedir. Dolaysyla, DTM zm sresi asndan GL
modeline gre ok daha iyi bir performans sergilemektedir.
-
46
izelge 5.5: 20 Dml Simetrik Problemlerin zm Sreleri
PRB. DTM GL
S S
n20w20.001 0.16 0.47
n20w20.002 0.08 0.81
n20w20.003 0.06 0.76
n20w20.004 0.08 0.59
n20w20.005 0.05 0.22
n20w40.001 0.89 2.81
n20w40.002 0.11 0.40
n20w40.003 0.16 2.03
n20w40.004 0.17 1.89
n20w40.005 0.23 5.47
n20w60.001 1.00 15.10
n20w60.002 0.41 5.77
n20w60.003 0.23 1.75
n20w60.004 1.59 0.84
n20w60.005 1.59 8.02
n20w80.001 0.86 9.69
n20w80.002 0.72 3.53
n20w80.003 0.42 2.20
n20w80.004 6.43 15.58
n20w80.005 19.27 84.60
n20w100.001 3.60 27.05
n20w100.002 6.22 34.24
n20w100.003 3.88 19.66
n20w100.004 4.38 7.24
n20w100.005 4.23 8.92
ORT. 2.27 10.39
S : zm sresi (sn)
DTM ve GL modeli, DPG deeri ve DPS oran asndan da karlatrlmtr.
izelge 5.6da her iki model iin elde edilen DPG deerleri ve DPS oranlar
verilmektedir. izelgeden grld gibi, tm problemler iin DTM ile elde edilen
DPG deerleri, GL modeli ile elde edilen deerlerden daha iyidir. DPS oranlarna
incelendiinde ise, doal olarak tm problemlerde DTMnin DPS oranlar GL
modeli ile elde edilen DPS oranlarndan daha kktr. Ortalama DPS oran DTM
iin 0.13 iken, GL modeli iin 0.55dir. Bu sonular, kk boyutlu ZPGSPnin
zm iin DTMnin GL modeline tercih edilebileceini gstermektedir.
-
47
izelge 5.6: 20 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar
PRB. DTM GL
DPG DPS DPG DPS
n20w20.001 354.00 0.09 197.38 0.49
n20w20.002 291.00 0.02 166.90 0.44
n20w20.003 351.00 0.13 199.73 0.50
n20w20.004 369.00 0.08 177.94 0.56
n20w20.005 306.00 0.16 159.80 0.56
n20w40.001 244.00 0.13 134.70 0.52
n20w40.002 331.00 0.07 171.93 0.52
n20w40.003 300.00 0.15 155.85 0.56
n20w40.004 317.00 0.20 150.26 0.62
n20w40.005 305.00 0.06 142.21 0.56
n20w60.001 322.00 0.20 126.35 0.68
n20w60.002 251.00 0.16 145.10 0.52
n20w60.003 323.00 0.15 160.98 0.58
n20w60.004 305.00 0.09 125.31 0.63
n20w60.005 332.00 0.15 147.19 0.62
n20w80.001 352.00 0.13 150.70 0.63
n20w80.002 345.00 0.13 137.84 0.65
n20w80.003 308.00 0.16 159.59 0.56
n20w80.004 275.00 0.20 160.07 0.54
n20w80.005 283.00 0.08 132.28 0.57
n20w100.001 270.00 0.13 154.92 0.50
n20w100.002 247.00 0.13 164.47 0.42
n20w100.003 303.00 0.15 140.29 0.61
n20w100.004 320.00 0.16 185.20 0.51
n20w100.005 285.00 0.13 186.08 0.43
ORT.
0.13
0.55
DPG : dorusal programlama gevetme deeri,
DPS = (OPT DPG) / OPT
Orta Boyutlu Test Problemleri in Karlatrma
Orta boyutlu test problemleri iin her iki model, ncelikle eniyi zm bulma ve
zm sresi asndan karlatrlmtr. Bu aamada her iki model iin zm
sresi 7200 saniye ile snrlandrlmtr. izelge 5.7 de DTM ve GL modeli iin,
eniyi zm ( stunu) ve zm sresi (S stunu) verilmektedir. izelgede,
7200 saniyede ilgili model ile eniyi zme ulalamayan problemler iin stunu
bo braklmtr. izelgeden grld gibi, koyu yazlm 5 problemin
(n40w60.002, n40w60.003, n40w80.001, n40w80.002, n40w100.003) haricindeki
-
48
izelge 5.7: 40 Dml Simetrik Problemlerin zm Sreleri
PRB. DTM GL
S S
n40w20.001 520 4.20 520 8.99
n40w20.002 607 0.42 607 22.62
n40w20.003 514 1.54 514 8.75
n40w20.004 442 2.56 442 1.25
n40w20.005 520 0.56 520 2.12
n40w40.001 510 8.42 510 67.95
n40w40.002 519 606.58 519 645.31
n40w40.003 536 1.08 536 46.08
n40w40.004 508 7.21 508 311.94
n40w40.005 488 6.57 488 314.17
n40w60.001 535 81.53 535 1059.39
n40w60.002 509 1041.38 509 164.24
n40w60.003 464 1438.50 465 148.59
n40w60.004 475 24.94 475 977.46
n40w60.005 423 30.70 423 429.32
n40w80.001 497 2048.39 497 887.58
n40w80.002 498 7200.00 498 4752.34
n40w80.003 488 796.42 488 5385.64
n40w80.004 462 746.28 462 2708.50
n40w80.005 488 247.07 488 2061.85
n40w100.001 - 7200.00 - 7200.00
n40w100.002 421 1608.95 452 4962.83
n40w100.003 458 3838.19 458 2150.68
n40w100.004 476 1747.73 476 6617.95
n40w100.005 458 43.20 458 481.93
ORT.
1149.30
1656.70
: eniyi zmn veya eldeki zmn ama fonksiyonu deeri
S : zm sresi (sn)
dier problemler iin DTM, GL modelinden daha ksa srede zme ulamtr.
Her iki modelde n40w100.001 problemine 7200 saniye zaman snr iinde uygun
bir zm bulamamtr. 40 dml 25 simetrik test problemi iin ortalama zm
sresi DTM iin 1149.30 saniye iken, GL modeli iin 1656.70 saniyedir. Eniyi
zmlere ulama sresi asndan modellerin performanslar srasyla, %84 ve
%77 olmutur. Dolaysyla zm sresi asndan 40 dml problemler iin de
DTM, GL modelinden ok daha iyi bir performans sergilemitir.
-
49
Son olarak, DTM ve GL modeli DPG deeri ve DPS oran asndan
karlatrlmtr. izelge 5.8de her iki model iin DPG deerleri ve DPS oranlar
verilmektedir. izelge incelendiinde, tm problemler iin DTMnin DPG deerleri,
GL modelinin DPG deerlerinden daha iyidir. Dolaysyla, DTM daha kk DPS
oranlarna sahiptir. Ortalama DPS oran DTM iin 0.09 iken, GL modeli iin
0.58 dir.
izelge 5.8: 40 Dml Simetrik Problemlerin DPG Deerleri ve Sapma Oranlar
PRB. DTM GL
DPG DPS DPG DPS
n40w20.001 484.00 0.07 194.31 0.63
n40w20.002 550.00 0.09 190.49 0.69
n40w20.003 479.00 0.07 252.15 0.51
n40w20.004 408.00 0.08 190.89 0.57
n40w20.005 461.00 0.11 216.32 0.58
n40w40.001 462.00 0.09 210.22 0.59
n40w40.002 479.00 0.08 196.32 0.62
n40w40.003 478.00 0.11 207.78 0.61
n40w40.004 462.00 0.09 185.57 0.63
n40w40.005 452.00 0.07 215.69 0.56
n40w60.001 491.00 0.08 204.08 0.62
n40w60.002 446.00 0.12 247.71 0.51
n40w60.003 433.00 0.07 187.87 0.60
n40w60.004 427.00 0.10 180.14 0.62
n40w60.005 387.00 0.09 185.58 0.56
n40w80.001 435.00 0.12 234.92 0.53
n40w80.002 447.00 0.10 207.73 0.58
n40w80.003 432.00 0.11 217.96 0.55
n40w80.004 430.00 0.07 207.01 0.55
n40w80.005 401.00 0.18 192.11 0.61
n40w100.001 446.00 0.05 208.34 0.56
n40w100.002 411.00 0.09 216.10 0.52
n40w100.003 399.00 0.13 172.96 0.62
n40w100.004 447.00 0.06 206.92 0.57
n40w100.005 408.00 0.11 178.82 0.61
ORT.
0.09
0.58
DPG : dorusal programlama gevetme deeri,
DPS = (OPT DPG) / OPT
-
50
Tm analizler, DTMnin hem bu tez kapsamnda gelitirilen ATMden hem de
literatrde nerilen GL modelinden zm sresi, DPG deeri ve DPS oran
asndan daha iyi bir performansa sahip olduunu gstermektedir. Bu nedenle,
ZPGSP nin dorudan bir model kullanlarak zlmek istenmesi halinde, DTM
kullanlr.
-
51
6. SONU ve NERLER
Son yllarda iletmelerin, rnlerinin ksa yaam evrimleri ve tam zamannda
retim gibi yeni eilimlere dayal olarak etkin ve zamannda servis verebilmeye
almas ve bunun n plana kmasna istinaden kaynaklarda ZPGSP olarak
bilinen problemin nemi artmtr. Var olan almalar iinde, zaman
pencerelerinden dolay gezginin (aralarn) ilgili ehirde bekleme srelerini dikkate
alan ok az sayda alma olduu grlmtr. Bu almada, beklemelerin de
gz nne alnd ZPGSPnin dorudan zm iin polinom byklkte karar
deikeni ve kst ieren dm tabanl ve ayrt tabanl tamsayl dorusal karar
modelleri gelitirilmitir. nerilen modellerin en nemli katks, herhangi bir ek
ileme gerek kalmakszn modelin zmnde beklemelerin grlebilmesi ve
beklemelerin dikkate alnd ZPGSPde ziyaret edilen ehirlerde bekleme ve
ayrtlarda geen srelerin toplamn enkkleyen rotann bulunmasdr.
nerilen modeller, kaynaklarda yer alan simetrik test problemleri zerinde zm
sresi ve dorusal programlama gevetme deerleri ynyle saysal analizlere
tabi tutulmutur.
Yaplan analizler sonucunda 20 ve 40 dml simetrik test problemlerinde DTM,
zm sresi ynyle ATM ve GL modelinden daha ksa srelerde zm elde
edebilmitir. Ayn ekilde DTM, 20 ve 40 dml simetrik test problemlerinde
DPG ve DPS deerleri ynyle de ATM ve GL modellerine gre stnlk
salamtr. Sonu olarak bu almada gelitirilen DTM, ZPGSPnin dorudan bir
paket program kullanlarak ile zm iin nerilir.
Yaplan bu almada gelitirilen matematiksel modellerin, ZPGSPnin zmyle
ilgili yntemler gelitirirken aratrmaclara fikir verebilecei ve sonularn
karlatrlmas asndan faydal olabilecei dnlmektedir. Bununla birlikte,
yeni modeller ok gezginli ZPGSPye kolaylkla uyarlanabildiinden, ZPARP iin
de bir altyap oluturmaktadr.
Yeni gelitirilen modeller, modellerde ortaya kacak herhangi bir ek ksta kar
olduka esnektir. Bu tez kapsamnda gz nne alnmayan servis sreleri, her
dm iin hizmete en ge balama anlar , ilgili dmlerin servis sreleri
kadar aa ekilerek modellerin yapsnda hibir deiiklik yapmadan modellere
-
52
kolaylkla uyarlanabilir. Yan sra bu modellerle asimetrik ve / veya daha byk
boyutlu problemler zerinde de performans analizleri yaplabilir.
-
53
KAYNAKLAR LSTES
ASCHEUER, N., FISCHETTI, M., and GRTSCHEL, M., A polyhedral study of the
asymmetric travelling salesman problem with time windows, Networks, vol.36,
no.2, pp.69-79, 2000.
ASCHEUER, N., FISCHETTI, M., and GRTSCHEL, M., Solving the asymmetric
travelling salesman problem with time windows by branch-and-cut, Mathematical
Programming, Ser. A, vol.90, pp.475-506, 2001.
BAKER, E. K., An exact algorithm for the time constrained travelling
salesman problem, Operations Research, vol.31, no.5, pp.938-945, 1983.
BLANTON, J., and WAINWRIGHT, R., Multiple vehicle routing with time and
capacity constraints using genetic algorithms, In Proceedings of the 5th
International Conference on Genetic Algorithms, pp.452-459, San Francisco, CA,
USA, Morgan Kaufmann Publishers Inc., 1993.
CARLTON, W.B., BARNES, J.W., Solving the traveling salesman problem with
time windows using tabu search, IIE Transactions, vol.28, no.8, pp.617-629, 1996.
CHRISTOFIDES, N., MINGOZZI, A., and TOTH, P., State-space relaxation
procedures for the computation of bounds to routing problems, Networks, vol.11,
pp.145-164, 1981.
DANTZIG, G.B., FULKERSON, D.R., JOHNSON, S.M., Solution of a large-scale
traveling salesman problem, Operations Research, vol.2, pp.393-410, 1954.
DASH, S., GUNLUK, O., LODI, A., TRAMONTANI, A., A time bucket formulation
for the TSP with time windows, INFORMS Journal on Computing DOI
10.1287/ijoc.1100.0432, 2009.
DESROCHERS, M., DESROSIERS, J., and SOLOMON, M., A new optimization
algorithm for the vehicle routing problem with time windows, Operations Research,
vol.40, no.2, pp.342-354, 1992.
-
54
DESROSIERS, J., SAUVE, M., and SOUMIS, F., Lagrangian relaxation methods
for solving the minimum fleet size multiple travelling salesman problem with time
windows, Management Science, vol.34, no.8, 1988.
DESROSIERS, J., DUMAS, Y., SOLOMON, M., and SOUMIS, F., Time
constrained routing and scheduling, in Network Routing, BALL, M.O., et al. (eds.),
Elsevier, Amsterdam, vol.8, pp.35-139, 1995.
DUMAS, Y., DESROSIERS, J., GELINAS, E., and SOLOMON, M., An optimal
algorithm for the travelling salesman problem with time windows, Operations
Research, vol.43, no.2, pp.367-371, 1995.
FAVARETTO, D., MORETTI, E., and PELLEGRINI, P., An ant colony system
approach for variants of the travelling salesman problem with time windows,
Journal of Information & Optimization Sciences, vol.27, no.1, pp.35-54, 2006.
FINKE, G., CLAUS, A., and GUNN, E., A two-commodity network flow approach to
the traveling salesman problem, Congress. Numerantium, vol.41,
pp.167-178, 1984.
GAVISH, B., GRAVES, S.C., The traveling salesman problem and related
problems, Working Paper, 7905, University of Rochester, New York, 1979.
GENDREAU, M., HERTZ, A., LAPORTE, M., A generalized insertion heuristic for
the travelling salesman problem with time windows. Operations Research, vol.46,
pp.330-335, 1998.
HONG, S.C., and PARK, Y.B., A heuristic for bi-objective vehicle routing with time
window constraints, Internat J. Production Econom, vol.62, pp.249-258, 1999.
MILLER, C., TUCKER, A., and ZEMLIN, R., Integer programming formulations and
travelling salesman problems, J.A.C.M., vol.7, pp.326-329, 1960.
-
55
LANGEVIN, A., DESROCHERS, M., DESROSIERS, J., et al, A two-commodity
flow formulation for the travelling salesman and the makespan problems with time
windows, Networks, vol.23, pp.631-640, 1993.
LI, Haibing, and LIM, Andrew, Local search with annealing-like restarts to solve
the VRPTW, European Journal of Operational Research, vol.150,
pp.115-127, 2003.
OHLMANN, J.W, THOMAS, B.W., A compressed-annealing heuristic for the
travelling salesman problem with time windows, INFORMS Journal on Computing,
vol.19, no.1, pp.80-90, 2007.
POTVIN, J.Y., and BENGIO, S., The vehicle routing problem with time windows-
Part II: Genetic Search, INFORMS Journal on Computing, vol.8, no.2, 1996.
SAVELSBERGH, M., Local search in routing problems with time windows,
Operations Research, vol.4, pp.285-305, 1985.
SCHMITT, L.J., An empirical study computational study of genetic algorithms to
solve order problems: an emphasis on TSP and VRPTC, PhD dissertation,
University of Memphis, 1994.
SILVA, R.F., and URRUTIA, S., A general VNS heuristic for the travelling
salesman problem with time windows, Discrete Optimization, vol.7, no.4,
pp.203-211, 2010.
SOUMIS, F., DESAULNIERS, G., LAVIGNE, J., Multi-depot vehicle scheduling
problems with time windows and waiting costs, EJOR, vol.111, pp.479-494, 1998.