Bulanık Karar Ortamında Karınca Kolonisi Optimizasyonu Yöntemiyle Araç Rotalama

Abstract

Bu çalışmada, bulanık kümeler ve olabilirlik teorilerinden faydalanılarak zaman aralıklı araç rotalama problemi için bulanık karar ortamında kullanılabilecek modeller önerilmiştir. Geçmiş çalışmalar incelendiğinde problemin genellikle belirsizliklerin ve esnekliklerin göz ardı edilerek modellendiği görülmüştür. Bu tip modellere üretilen çözümler çoğunlukla uygulama aşamasında geçerliliklerini yitirmekte ve elle düzeltilmeleri gerekmektedir. Stokastik modellerin kullanıldığı çalışmalarda ise önerilen yöntemlerin çok fazla hesaplama yükü gerektirdiği ve parametrelerinin belirlenmesi için problemle ilgili geçmiş verilere ihtiyaç duyulduğu görülmektedir. Bu nedenlerle stokastik modeller de gerçek hayatta karşılaşılan problemlerin çözümünde rahatlıkla kullanılamamaktadır. Önerilen bulanık programlama modellerinde belirsizliklerin ve esnekliklerin modellenmesi için bulanık kümeler ve bulanık aralıklar kullanılmıştır. Gereklilik ve olabilirlik ölçütleri ile planlayıcının belirleyeceği en yüksek risk seviyesine ve en düşük müşteri tatmin düzeyine sahip çözümler üretilebilmektedir. Bulanık modeller ile yüksek veri işleme maliyeti düşürülürken modellerin geçerlilikleri de arttırılmıştır. Önerilen modellere çözüm oluşturmak amacıyla karınca kolonisi optimizasyonu tabanlı bir algoritma geliştirilmiştir. Örnek problemler üzerinde gerçekleştirilen deneylerde önerilen modellerin ve çözüm yönteminin bir karar destek sistemi içerisinde kullanımı durumunda planlayıcıların tercih ve önceliklerine göre alternatif çözümlerin üretilebileceği ve oluşturulan çözümler hakkında planlayıcılara ve müşterilere daha fazla bilgi sağlanabileceği değerlendirilmiştir.

In this study, the fuzzy set and possibility theories are utilized in order to propose models for the vehicle routing problem that can be used in uncertain decision environments. Exploring the literature about the problem, it has been seen that the problem is usually modeled by ignoring uncertainties and flexibilities. Whereas, the solutions generated with these models usually become infeasible when implemented and the planners are involved to make corrections by hand. Stochastic models are often complex and require large computational effort. Moreover, it may be hard or expensive to assume any parameter. For these reasons, stochastic models are also behind the needs of users. The fuzzy programming models proposed in this study exploit fuzzy sets and fuzzy intervals in order to model flexibilities and uncertainties. Using the necessity and the possibility measures, the solutions that have the maximum risk level and the minimum customer satisfaction, which are specified by the user, can be generated. Validities of the models are increased while decreasing the computational effort with fuzzy programming models. An ant colony optimization based algorithm for the proposed models is also developed. Results of the experimental studies with benchmark problems indicate that the proposed models can be usable for solving practical problems. The proposed approach can be integrated with a decision support system in order to generate alternative solutions achieving planners’ preferences and obtain more information about the solutions for both the planners and the customers.