Disertacija - Univerzitet u Novom Sadu
Disertacija - Univerzitet u Novom Sadu
Disertacija - Univerzitet u Novom Sadu
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
3.3 Algoritam za rešavanje lokacijskog problema logističkih centara<br />
Kako definisani matematički model predstavlja kombinaciju i proširenje nekih do sada<br />
formulisanih modela, kao što je model fiksnih troškova sa kapacitetnim ograničenjima, koji<br />
je prema Mirchandani i Francis (1990) i Wu i dr. (2006) NP težak problem, tako se i za<br />
definisani model smatralo da spada u grupu NP teških problema zbog čega je za njegovo<br />
rešavanje predložena primena genetskih algoritama (videti poglavlje 2.1). Genetski<br />
algoritam i pod-algoritam za rešavanje lokacijskog problema primenom definisanog<br />
modela programiran je u C # , u Microsoft Visual Studio Ultimate 2012, i prikazani su na sl.<br />
13 i 14.<br />
Pokretanju algoritma prethodi definisanje veličine jedinke, veličine populacije i broja<br />
iteracija u kojima se vrši optimalna alokacija korisnika. Pritom veličina jedinke predstavlja<br />
broj logističkih centara za koje se određuje optimalni tip, lokacija i alokacija korisnika, a<br />
veličina populacije predstavlja broj jedinki u generaciji. Nakon definisanja veličine jedinke,<br />
na slučajan način se generišu potencijalne lokacije centara koje čine datu jedinku. Broj<br />
generacija zavisi od slučaja do slučaja i ograničava ga minimalna vrednost za koju je u n<br />
iteracija obavljeno poboljšanje dobijenog rešenja.<br />
Algoritmom se za svaku jedinku računa fitnes funkcija, koja predstavlja ukupne<br />
troškove za odabranu jedinku. Vrednost fitnes funkcije se dobija sabiranjem transportnih<br />
troškova do potencijalnih lokacija koje čine tu konkretnu jedinku, investicionih i operativnih<br />
troškova svakog od centara i transportnih troškova od centara do korisnika, koji se u<br />
iterativnim postupcima dodeljuju centrima u jedinki, pri čemu se vodi računa o raspodeli<br />
potrebnih kapaciteta centrima, kao i kapacitetnim ograničenjima, kako bi celokupna<br />
potražnja za uslugama bila zadovoljena. Pri računanju fitnes funkcije, algoritam uvek<br />
pokušava da održi minimum troškova tako što će svako naredno uvećanje fitnes funkcije<br />
imati najmanju moguću vrednost. Jedinke sa najnižom vrednošću fitnes funkcije prenose<br />
se u narednu generaciju, dok se ostale međusobno ukrštaju po modelu ruleta. Rulet<br />
funkcioniše po tom principu da što nižu vrednost fitnes funkcije jedinka ima, to je njena<br />
verovatnoća izbora kao roditelja jedinke iz sledeće generacije veća. Izabrane i<br />
novostvorene jedinke predstavljaju novu populaciju, koja čini novu generaciju. Navedeni<br />
postupak se ponavlja dok se ne ispuni kriterijum zaustavljanja, a to je minimalna promena<br />
poboljšanja rezultata, što znači da se proces optimizacije približio cilju.<br />
Specifičnosti definisanog genetskog algoritma, u odnosu na njihovu uobičajenu<br />
strukturu, ogledaju se u pozivanju podalgoritma koji obuhvata sve specifičnosti definisanog<br />
matematičkog modela, kao što su iterativno određivanje kapaciteta centra i iterativna<br />
alokacija korisnika lociranom centru.<br />
39