УДОСКОНАЛЕНИЙ ГЕОМЕТРИЧНИЙ АЛГОРИТМ ТА ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ В ЗАДАЧАХ ОПТИМІЗАЦІЇ ТРАНСПОРТНИХ МАРШРУТІВ
DOI:
https://doi.org/10.32689/maup.it.2023.4.1Ключові слова:
комбінаторна оптимізація, задача комівояжера, оптимальний маршрут, час виконання, точністьАнотація
Сучасні системи керування транспортними маршрутами потребують розроблення програмного забезпечення, що реалізує більш точні та швидкі алгоритми розв’язання задачі комівояжера, які забезпечують для великої кількості точок пошук найкращого маршруту з порівняно невеликою похибкою за коротший час. Основними недоліками існуючих реалізацій є стохастичність, обмежена адаптивність до параметрів задачі та велика чутливість до початкових умов, що призводить до невірних рішень та непотрібних витрат ресурсів. У статті наведена постановка задачі пошуку найменшого можливого циклічного маршруту, що проходить через заданий набір міст, починаючи і закінчуючи в тому самому місті. У результаті, алгоритм повинен знайти послідовність відвідування міст, щоб загальна довжина шляху між ними була мінімальною, і шлях проходив через кожне місто рівно один раз. Проведено експериментальні дослідження та порівняно ефективність удосконаленого геометричного алгоритму для 10, 50, 100 та 1000 міст. Результати роботи удосконаленого геометричного алгоритму для 10 міст порівняно з базовим геометричним алгоритмом та алгоритмом повного перебору, щоб переконатися, що є покращення не тільки часу пошуку маршруту, але й довжини знайденого шляху. Для 50, 100 1000 міст результати роботи удосконаленого геометричного алгоритму порівняємо з базовим геометричним алгоритмом, генетичним алгоритмом і алгоритмом оптимізації мурашиної колонії, щоб переконатися, що удосконалений геометричний алгоритм працює не гірше і швидше ніж інші алгоритми. У випадках, коли удосконалений геометричний алгоритм працює з похибкою відносно інших алгоритмів, він дозволяє отримати суттєвий виграш за часом виконання. Експерименти показали, що запропонований у роботі удосконалений геометричний алгоритм дозволяє детерміновано знаходити найкращий маршрут з похибкою 6,82% для 1000 міст. При цьому він знаходить рішення у 2,8 рази швидше, ніж алгоритм мурашиних колоній, та у 265 раз швидше, ніж генетичний алгоритм. Наведено приклад реалізації удосконаленого геометричного алгоритму мовою програмування swift для використання на платформи iOS.
Посилання
Lawler, E. L., et al. The Traveling Salesman Problem: A Guided Tour of Combinatorial Optimization. Wiley. 1985. P. 25-31.
Monnot, J., & Toulouse, S. The traveling salesman problem and its variations. Paradigms of combinatorial optimization: problems and new approaches. 2014. P. 173-214.
Chandra, A., & Naro, A. A comparative study of metaheuristics methods for solving traveling salesman problem. International Journal of Information Science and Technology. 2022. №6(2), P.1-7.
Zhang, C., & Sun, P. Heuristic Methods for Solving the Traveling Salesman Problem (TSP): A Comparative Study. In 2023 IEEE 34th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC). 2023. P. 1-6. IEEE.
Reinelt, G. The Traveling Salesman: Computational Solutions for TSP Applications. Springer. 1994. P. 18-21.
Toth, P., et al. The Vehicle Routing Problem. SIAM Monographs on Discrete Mathematics and Applications. SIAM. 2002. P. 39-41.
Nagata, Y. Recent developments in combinatorial optimization for the traveling salesman problem: A survey. European Journal of Operational Research. 2011. №213(1). P. 1-10.
Vansteenwegen, P., et al. The Traveling Salesman Problem: A Case Study in Local Optimization. Operations Research Perspectives. 2011. P. 65-77.
Gutin, G., Punnen, A. The traveling salesman problem and its variations. Springer Science & Business Media, 2006.
Jiang, C., Wan, Z., & Peng, Z. A new efficient hybrid algorithm for large scale multiple traveling salesman problems. Expert Systems with Applications. 2020. №139. P. 112867.
Cheikhrouhou, O., & Khoufi, I. A comprehensive survey on the Multiple Traveling Salesman Problem: Applications, approaches and taxonomy. Computer Science Review. 2021. №40. P. 100369.
Lawler, E. L., et al. The Traveling Salesman Problem: A Guided Tour of Combinatorial Optimization. Wiley. 1985. P. 49-52.
Dorigo, M., et al. The Ant System: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics. 1996. №26(1). P. 29-41.
Dorigo, M., et al. Ant Colony Optimization. MIT Press. 2004. P. 16-20.
Blum, C., et al. The hyper-cube framework for ant colony optimization. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics. 2004. №34(2). P. 1161-1172.
Holland, J. H. Adaptation in Natural and Artificial Systems. University of Michigan Press. 1975. P. 17-22.
Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Professional. 1989. P. 24-27.
Mitchell, M. An Introduction to Genetic Algorithms. MIT Press. 1998. P. 30-33.
Cormen, T. H., et al. Introduction to Algorithms. MIT Press. 2022.
An Improvement to the 2-Opt Heuristic Algorithm for Approximation of Optimal TSP Tour. URL: https://www.mdpi.com/2076-3417/13/12/7339