چکیده:
در مسائل پوشش تدریجی افزایش فاصله از تسهیل ارائه دهنده سرویس در ناحیه پوشش ، موجب کم شدن سطح پوشش دهی می شودکه اغلب محققان در مسائل مکانیابی تنها به عامل فاصله توجه می کنند، حال آنکه در دنیای واقعی معیارهای زیادی مثل جمعیت ، دسترسی سریع و... وجود دارند که باید علاوه بر عامل فاصله در ارزیابی مکانیابی و تخصیص مورد توجه قرار گیرند، به عنوان مثال در مکانیابی تسهیلات اورژانسی نباید تنها به عامل فاصله توجه کرد. از طرفی با ازدیاد نقاط تقاضا و معیارها، ضمن افزایش زمان محاسبه ها، نرخ ناسازگاری در ارزیابی و امتیازدهی بین نقاط نیز افزایش پیدا می کند. در این مقاله رویکرد ترکیبی شبکه عصبی و شبیه سازی تبرید برای حلمسئلهپوششتدریجیچند معیاره پیشنهاد شده است . زمانیکه تعداد نقاط کم هستند، امتیاز نقاط (اهمیت نقاط در اولویت تخصیص ) در مسئله با استفاده از تحلیلسلسله مراتبی و با افزایش تعداد نقاط، پس از یافتن الگوی ذهنی تصمیم گیرندگان این امتیازها با روش شبکه عصبی محاسبه می شود، البته کارایی الگوریتم شبکه عصبی در یافتن الگوی ذهنی با استفاده از آزمون رتبه علامتدار در این مقاله تایید شده است . در ادامه مسئله با استفاده از الگوریتم شبیه سازی تبرید حل می شود که نتایج بررسی نشان از کارایی بالای الگوریتم پیشنهادی (کیفیت جواب وزمان حل ) در مقایسه با روش دقیق است .
In traditional covering problem، covering levelof receiving the services is independent ofdistances between nodes and facilities. However in gradual covering location problem (GCLP) the covering objective depends on the distance of customers from the service centers. Hence increasing incustomer-facility distances will results in decreasing the covering level. In most of covering problems، researchers only consider the distance factor. However; in the real word there are some other important elements such as population، availability، distance and etc. which affect the location of service center. Increasing the number of demand nodes and criteria’s will result in increasing the nodes evaluating computational time and inconsistency rate. This paper proposes a combined Simulated annealing (SA) and Artificial Neural Network (ANN) approaches to solve the multi criteria GCLP.In presence of few nodes; score of nodes are calculated usingAnalytic Hierarchy Process (AHP) method. Moreover by increasingthe number of nodes the score of every node will be calculated using ANNinstead of AHP. Statistical test of signed rank test shows that there is not a significant difference between the result of ANN and AHP methods. The comparison results between the exact solution method and the proposed algorithm confirms the efficiency of the proposed solution approach.
خلاصه ماشینی:
در مسئله پوشش تدریجی چندمعیاره با افزایش نقاط تقاضا، زمان حل و نرخ ناسازگاری به شدت افزایش پیدا می کند و با توجه به این نکته که در دنیای واقعی تعداد نقاط تقاضا زیاد و معیارهای تصمیم گیری متفاوت ومتنوع است ، استفاده از روشهای فرا ابتکاری ضرورت بیشتری خواهد داشت [ ١٢ص ٣٣-٤٦] در این مقاله با افزایش نقاط تقاضا امتیازات با استفاده از شبکه عصبی محاسبه شده است و با استفاده از آزمون رتبه علامتدار نشان داده شده که تفاوت زیادی در جوابهای به دست آمده از هر دو روش شبکه عصبی و فرایند تحلیل سلسله مراتبی وجود ندارد و در ضمن مدت زمان محاسبه ها و نرخ ناسازگاری در شبکه عصبی بسیار کمتر از فرایند تحلیل سلسله مراتبی است .
در بخش ٣ روش پیشنهادی برای حل مسئله پوشش تدریجی چندمعیاره توضیح داده شده، در بخش ٤ کارایی شبکه عصبی در مقایسه با فرایند تحلیل سلسله مراتبی با استفاده از آزمون رتبه علامتدار تأیید شده است که در آن با استفاده از مثالهای عددی شبیه سازی شده، کارایی الگوریتم شبیه سازی تبرید در مقایسه با روش دقیق در بخش ٥ تشریح شده است .
در مرحله بعد با تربیت شبکه عصبی به وسیله اطلاعات به دست آمده از فرایند تحلیل سلسله مراتبی ، الگوی ذهنی خبرگان شناساییو به عنوان وزنهای نهایی برای محاسبه سطح پوشش دهی با استفاده از تابع خطی کاهنده معرفی مشدند.