تجزیه و تحلیل مکان مراکز توزیع لجستیک یکی از بحرانی ترین مسائل در زنجیره تامین در مقیاس بزرگ است. در حالی که تعدادی از الگوریتم ها و برنامه های کاربردی برای این منظور ارائه شده است، تحقیقات نسبتاً کمتری در مورد ادغام اطلاعات جغرافیایی انجام شده است. این مطالعه تجزیه و تحلیل مکان مرکز توزیع لجستیک را پیشنهاد می کند که اطلاعات جغرافیایی و جاسازی شده فعلی جمع آوری شده از یک سیستم اطلاعات جغرافیایی (GIS) را در نظر می گیرد. پس از بررسی سیستم اطلاعات جغرافیایی، متغیرها و پارامترهای تصمیم با استفاده از تحلیل فضایی برآورد می شوند. این متغیرها و پارامترها در مرحله تجزیه و تحلیل مبتنی بر مسئله ریاضی مورد استفاده قرار می گیرند. در حالی که تعدادی از الگوریتم های موجود پیشنهاد شده است، این مطالعه از یک الگوریتم فراابتکاری ترکیبی استفاده می کند که بهینه سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) را ادغام می کند. با استفاده از روش پیشنهادی، یک مدل ریاضی واقعی‌تر برای تحلیل دقیق عملکرد لجستیک ایجاد و حل می‌شود. برای نشان دادن اثربخشی روش پیشنهادی، مراکز توزیع پست کره در کره جنوبی در نظر گرفته شد. از طریق آزمایش‌هایی با چندین سناریو دنیای واقعی، به‌طور تجربی ثابت شده است که راه‌حل پیشنهادی مؤثرتر از تغییرات PSO موجود است.

کلید واژه ها:

محل مراکز لجستیک ; تحلیل فضایی ; سیستم اطلاعات جغرافیایی ; فراابتکاری ترکیبی ; بهینه سازی ازدحام ذرات ; الگوریتم ژنتیک

1. مقدمه

کارایی شبکه‌ها و سیستم‌های لجستیک در کاهش زمان سفر و دستیابی به بازارهای مسافت‌تر برای افزایش رشد اقتصادی مهم در نظر گرفته می‌شود [ 1 ]. بانک جهانی با اذعان به اهمیت فعالیت‌های لجستیکی، به کشورها کمک می‌کند تا با ارائه یک شاخص عملکرد لجستیک (LPI)، پیشرفت خود را اندازه‌گیری کنند. روش به روز شده LPI [ 2 ] داده های عملکرد سطح میکرو و داده های مکانی را در ارزیابی های کیفی خود نشان می دهد، که نشان می دهد داده های مکانی نقش مهمی در اندازه گیری عملکرد لجستیک ایفا می کنند.
اکثر کشورها زیرساخت های حمل و نقل و مراکز لجستیکی خود را به عنوان مولدهای تجاری در نظر می گیرند [ 3 ]. تصمیم گیری مکان مراکز لجستیک و عملکرد آنها بسیار مهم است، زیرا آنها به شرکت ها کمک می کنند نه تنها هزینه ها، تراکم ترافیک و سطوح آلودگی محیطی را به حداقل برسانند، بلکه سیستم برنامه ریزی و مسیریابی وسایل نقلیه را نیز بهبود بخشند [ 4 ، 5 ، 6 ، 7 ]. این امر به ویژه در مورد نگرانی‌های زیست‌محیطی صدق می‌کند، زیرا نه تنها مسئولیت شرکت‌های لجستیکی است، بلکه یک موضوع برای دولت و سایر ذینفعان و همچنین یکی از آگاهی‌های مشتریان است [ 8 ].
علاوه بر این، Europlatforms [ 9 ] توضیح داده است که مراکز لجستیک نه تنها یک مبنای تجاری برای بهره مندی از حمل و نقل، لجستیک و توزیع دارند، بلکه عملکردهای لجستیکی کلیدی مانند هماهنگی، تمرکز، تلفیق، همکاری و ادغام در هاب یک منطقه خاص را نیز ارائه می دهند. سپس، در فرآیند فرمول‌بندی این توابع لجستیکی، سیستم نه تنها برای شرکت‌های لجستیکی کار می‌کند، بلکه توانایی به حداقل رساندن یا حتی غلبه بر مسائل کلی ذکر شده در بالا را دارد [ 10 ]. ایجاد استراتژی های خاص و ارزیابی تحقیقات انسانی نیز برای مشاهده کارایی کلی سیستم مورد نیاز است [ 11 ، 12 ].
در حالی که تعدادی از مطالعات تحقیقاتی برای تجزیه و تحلیل امکانات لجستیکی پیشنهاد شده‌اند، تلاش‌ها برای ترکیب داده‌های دنیای واقعی، مانند داده‌های سیستم اطلاعات جغرافیایی (GIS) از جمله اطلاعات تاسیسات، اخیراً آغاز شده است. ادغام داده های GIS و الگوریتم های موجود می تواند به بهبود عملکرد امکانات لجستیک کمک کند. این مطالعه یک مدل فراابتکاری ترکیبی مبتنی بر تحلیل فضایی را برای اندازه‌گیری کمی عملکرد توزیع مراکز لجستیک پیشنهاد می‌کند. به طور خاص، پست لجستیک در کره جنوبی در این تحقیق مورد بررسی قرار گرفته است.
روش شناسی این مطالعه عمدتاً از دو بخش تشکیل شده است: (الف) تحلیل فضایی و شبکه با استفاده از GIS، و (ب) تحلیل مکان مبتنی بر مدل ریاضی با استفاده از مدل ترکیبی PSO-GA. ترکیبی از PSO-GA در ترکیب نمونه های بسیار بزرگ موثر است و می تواند با استفاده از پارامترهای مختلف توسعه یابد.
برای تأیید یافته‌های تحقیق خود، تجزیه و تحلیل مکان مرکز لجستیک را بر روی داده‌های GIS مکان‌های پست کره در سراسر کشور، از جمله تراکم جمعیت و سایر اطلاعات انجام دادیم. کره جنوبی دارای مساحت کل زمین 97230 کیلومتر مربع است که 81.8 درصد از جمعیت سال 2020 شهری و تراکم جمعیت نامناسب است [ 9 ، 13 ].
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 دانش پس زمینه مرتبط و بررسی ادبیات را ارائه می دهد. بخش 3 مدل و روش شناسی را با تحلیل پس زمینه نظری عمیق تر پیشنهاد می کند. در نهایت، بخش 4 کاربرد را ارائه می کند و نتایج روش شناسی پیشنهادی در بخش 4 ارائه شده است.

2. مواد و روش

2.1. بررسی پیشینه و ادبیات

رودریگ و همکاران [ 14 ] استانداردسازی مراکز لجستیک در اندازه های مختلف را بر اساس اندازه ترمینال و سلسله مراتب امکانات لجستیک بررسی کرد. علاوه بر این، انتخاب و ارزیابی اندازه و سلسله مراتب مراکز لجستیک یکی از عناصر ضروری عملیات تجاری بوده است. تخصیص مرکز لجستیک به خوبی برنامه ریزی شده به کاهش هزینه های لجستیک و بهبود کارایی جریان های توزیع کمک می کند [ 15 ].
علاوه بر این، گزینه‌های تحویل و جریان‌های توزیع برای استقبال از تغییرات در رفتار خرید بهبود می‌یابند، مانند گسترش تحویل مرسوم در خانه به تحویل صندوق عقب خودرو، تحویل در خانه، جمع‌آوری فروشگاه و موارد دیگر [ 16 ]. توجه به این نکته مهم است که توانایی حمل کالا به طور قابل اعتماد با هزینه کم، استراتژی مشارکت یک کشور در زنجیره ارزش جهانی را تعیین می کند [ 17 ].
از نظر هزینه های لجستیک، پنج جزء مشترک وجود دارد که توسط پوهیت و همکاران نشان داده شده است. [ 18 ]: هزینه‌های حمل‌ونقل، هزینه‌های انبارداری برای داخلی و برون‌سپاری، هزینه‌های اجرایی، هزینه‌های نگهداری موجودی، و هزینه‌های حمل موجودی. علاوه بر در نظر گرفتن نقش های فوق الذکر، مکان های مراکز لجستیک باید برای حالت های حمل و نقل یکپارچه و دیگر مناسب باشند. در واقع، سیال بودن جریان‌های حمل‌ونقل و سودآوری به‌واسطه دسترسی حمل‌ونقل، پوشش بازار، در دسترس بودن زمین و سایر عوامل فضایی به هم مرتبط هستند.
همچنین برای رسیدن به تصمیمات بهینه در کمترین زمان نیاز است. امکان انتقال تجزیه و تحلیل پیش‌بینی‌کننده و برنامه‌ریزی مدیریت به‌موقع برای توسعه توزیع فیزیکی پویایی را می‌توان با پیاده‌سازی مدل ریاضی و همچنین هوش مصنوعی [ 19 ] بدست آورد.
به همین دلیل، تعدادی از مطالعات موجود اهمیت ایجاد امکانات بزرگتر و کارآمدتر را برای برآوردن نیازهای منطقه ای و ملی ذکر کرده اند [ 20 ]. هرچه اندازه شبکه لجستیک بزرگتر باشد، پیچیدگی عملکردهای آن بیشتر است [ 21 ، 22 ، 23 ]. بنابراین، مراکز لجستیک باید با اتخاذ یک استراتژی فضایی برای ارزیابی مکان بهینه برای به حداکثر رساندن پوشش خدمات، با این موضوع مقابله کنند [ 24 ].
شناسایی مکان های لجستیکی مناسب می تواند به روش های مختلفی انجام شود. تجزیه و تحلیل های کمی مانند آنهایی که توسط هاگینو و اندو [ 25 ] انجام شد، مکان تاسیسات و مراکز توزیع را با استفاده از مدل لاجیت چند جمله ای (MNL) تخمین زدند. بسیاری از فراابتکاری، از جمله PSO تطبیقی، برای دستیابی به مکان مراکز لجستیک نیز به کار گرفته شده است [ 26 ].
بهینه سازی عملکرد بالا یک شبکه لجستیک در مقیاس بزرگ با استفاده از یک الگوریتم گسسته اصلاح شده PSO انجام می شود که متغیرهای تصمیم دودویی (BPSO) را کنترل می کند [ 27 ]. نتایج رضایت‌بخشی نیز با در نظر گرفتن وزن اینرسی به‌روز، بهترین راه‌حل‌ها و بدترین راه‌حل‌های تناسب از یک PSO ترکیبی و الگوریتم ژنتیک به دست می‌آید [ 28 ]. این مطالعه یک رویکرد الگوریتم ژنتیک یکپارچه PSO را برای تجزیه و تحلیل عملکرد شبکه لجستیک اعمال کرد. جدول 1 نتایج چندین مطالعه موجود بر روی مراکز لجستیک مبتنی بر فراابتکاری را نشان می دهد.
روش دیگر، تجزیه و تحلیل چگالی فضایی به حداقل رساندن مسافت سفر به عنوان یک عامل اصلی در انتخاب مکان تاسیسات در دنیای واقعی [ 37 ] برجسته می شود. تحلیل‌های مشابهی در این مورد مشاهده شده‌اند که تمرکز فعالیت‌های لجستیک یا خوشه‌های فضایی در حین جابجایی لجستیک شمارش می‌شوند [ 38 ]. GIS ها تمام محدودیت های فیزیکی و محیطی لازم را کنترل می کنند و نقش مهمی به عنوان یک ابزار پشتیبانی تصمیم برای بهینه سازی مکان ها دارند [ 39 ]. پیاده سازی GIS همچنین کیفیت خدمات و عملکرد کارکنان را با ارائه مسیرهای بهینه بهبود می بخشد [ 40]. علاوه بر این، GIS می تواند فواصل را در مدل مکان شبکه محاسبه کند تا کوتاه ترین یا سریع ترین مسیرها را به دست آورد و مشکلات شبکه لجستیک را حل کند. به عنوان مثال، کلوز و درکسل [ 41 ] مکان تاسیسات لجستیک را با استفاده از معیارهای به حداقل رساندن مجموع فواصل بین گره ها و نزدیکترین تسهیلات پیشنهاد کردند.
با احترام به پیچیدگی لجستیک، ما یک ترکیب جغرافیایی-منطقه-و-ریاضی-مدل به خوبی فرمول بندی شده را برای ارزیابی و انتخاب مکان مناسب مراکز لجستیک در نظر گرفتیم [ 42 ]. خوشه بندی بهینه فعالیت های لجستیکی متعدد را می توان با استفاده از GIS به عنوان یک تحلیلگر فضایی و BPSO به عنوان یک مدل فراابتکاری [ 29 ] نزدیک کرد. بنابراین، هدف این مطالعه ادغام GIS و الگوریتم‌های فراابتکاری است که نمونه‌های لجستیکی در مقیاس بزرگ و دنیای واقعی را مدیریت می‌کنند. در این تحقیق، یک راه حل یکپارچه جامع برای انتخاب مکان های مراکز لجستیک با استفاده از داده های واقعی GIS ارائه شده است.

2.2. ادغام داده های GIS و الگوریتم PSO-GA

همانطور که قبلا ذکر شد، در این مطالعه از دو مرحله برای دستیابی به یک راه حل کارآمد برای تجزیه و تحلیل مشکل مکان یابی مرکز لجستیک استفاده می شود. در حالی که بیشتر مطالعات پژوهشی بر تحلیل کمی شبکه توزیع با استفاده از چارچوب‌های ریاضی متمرکز بودند، روش پیشنهادی نحوه استفاده از اطلاعات GIS برای تحلیل‌های کمی و مدل‌های ریاضی آن‌ها را ارائه می‌دهد. این ادغام ها و مکانیسم های دقیق مشارکت های این مطالعه است.
روش پیشنهادی در شکل 1 ارائه شده است .
گام اول یک تحلیل جغرافیایی است که شامل تحلیل فضایی و تحلیل شبکه می شود. تحلیل فضایی تراکم لجستیک را با نقشه‌برداری از مکان‌های پست کره (تقاضا) کوچکتر و نشان دادن مقادیر اولویت تقاضاها محاسبه می‌کند. تجزیه و تحلیل شبکه فواصل دقیق بین خواسته ها را ارائه می دهد. در این مرحله، در انتخاب مسیر بهینه، تراکم ها و فواصل محاسبه شده در بین تقاضاها در نظر گرفته می شود. مرحله بعدی تجزیه و تحلیل تأثیر مکان با استفاده از ترکیبی PSO-GA به عنوان ابزار فراابتکاری است. چندین مطالعه تحقیقاتی موجود وجود دارد که عملکرد مرکز لجستیک را با استفاده از PSO و GA به طور جداگانه ارزیابی می کند. میز 1عملکرد روش‌ها را با استفاده از PSO و GA نشان می‌دهد و آزمایش‌های مستقل و آزمایش‌های ترکیبی با استفاده از این فراابتکاری انجام می‌شود. در نتیجه، الگوریتم PSO-GA عملکرد بهتری در این مطالعه دارد.

2.2.1. تحلیل فضایی و شبکه ای با استفاده از GIS

تجزیه و تحلیل جغرافیایی، تصمیم گیری موثر و مبتنی بر ارزش و بهترین تحلیل پتانسیل را با استفاده از قابلیت های GIS در مدیریت داده های مکانی فراهم می کند [ 43 ]. به طور کلی، ساختار شبکه فضایی با استفاده از کوتاه ترین مسیرها در بین امکانات به عنوان یک ماتریس مجاورت ساخته می شود. علاوه بر این، ویژگی های شبکه باید برای ایجاد یک سیستم حمل و نقل سلسله مراتبی در نظر گرفته شود. علاوه بر این، مرکز لجستیک با یک نقطه کاندید (بر روی بردار داده های جغرافیایی) بیان می شود و بر روی گره های راس سیستم حمل و نقل جاده ای قرار دارد [ 44 ].
سپس شبکه آماده شده برای یافتن فاصله مبدا-مقصد (OD) آن (فاصله بین هر درخواست انتخابی) با متریک های فاصله برای به دست آوردن کوتاه ترین مسیرها یا معیارهای زمان برای به دست آوردن سریع ترین مسیرها با استفاده از الگوریتم Dijkstra محاسبه می شود. علاوه بر یافتن کوتاه‌ترین و سریع‌ترین مسیرها، تحلیل فضایی ابزارهای آماری قدرتمندی را نیز برای پرداختن به وابستگی و ناهمگونی از طریق فرکانس‌های رویداد ضروری در مکان‌های همسایه (شناسایی نقاط داغ) اعمال می‌کند [ 45 ].
ابزارهای آماری در GIS در تحلیل اولیه برای تعیین خودهمبستگی با استفاده از محاسبه جهانی Moran’s I اختصاص داده شدند [ 46 ]. موران I از موقعیت، فاصله و ارزش ویژگی های همسایه استفاده می کند. مقدار شاخص از 1- تا 1 متغیر است که 1- فعالیت های پراکنده و 1 فعالیت های خوشه ای را نشان می دهد. اگر یک مقدار تقریباً صفر باشد، نشان دهنده یک الگوی تصادفی است [ 46 ].

از نظر ریاضی، آماره I موران برای خودهمبستگی فضایی در رابطه (1) آورده شده است.

جایی که

  • = تعداد کل ویژگی ها/واحدهای فضایی.
  • = مقدار شاخص در مکان j ;
  • = مقدار متوسط ​​جهانی؛
  • و = وزن فضایی بین مکان ” i ” و مکان ” j “.

برای نشان دادن خوشه بندی یا پراکندگی معنی دار آماری، z – score و p-value مورد نیاز است. همانطور که در رابطه (2) نشان داده شده است، z -score انحراف استاندارد یک ویژگی از میانگین آن است و بر اساس محاسبه فرضیه صفر تصادفی سازی است.

مورد استفاده در (2)، E [ I ] و V [ I ] به ترتیب در معادلات (3) و (4) تعریف شده اند.

وقتی مقدار p بسیار است، الگوی فضایی مشاهده شده نتیجه یک فرآیند تصادفی است و فرضیه صفر باید رد شود. از سوی دیگر، هر چه امتیاز z بالاتر (یا کمتر) باشد، خوشه بندی شدیدتر است. همانند مقدار شاخص جهانی Moran’s I ، یک z -score نزدیک به صفر نشان دهنده عدم خوشه بندی فضایی آشکار است [ 39 ]. تصمیم برای رد فرضیه صفر با سطح اطمینان همانطور که در جدول 2 نشان داده شده است تعیین می شود .

در نهایت، مقادیر نقطه داغ با استفاده از ابزار Getis-Ord همانطور که در رابطه (5) نشان داده شده است محاسبه شده و در مدل ریاضی به عنوان پارامترهای h i استفاده می شود.

2.2.2. مدل ریاضی برای تجزیه و تحلیل شبکه لجستیک

اکثر مشکلات تخصیص مکان شامل انتخاب تعداد معینی از مراکز لجستیکی و نقشه برداری به نقاط تقاضا یا مقصد در فاصله حداکثر یا حداقل شده است. یکی از مسائل بهینه سازی تخصیص امکانات (مراکز لجستیک) و تخصیص آنها به نقاط تقاضا یا مقصد است. این بهینه سازی همچنین مجموع فواصل وزنی بین تمام نقاط مقصد و امکانات مرتبط را به حداقل می رساند [ 47 ]. فاصله تقاضای وزنی حداقل شده بین مقاصد و امکانات توسط مجموعه ای از مقاصد ارائه می شود: . هر مقصد ( d i ) مختصات و خواسته هایی دارد. تعداد تسهیلات مورد نیاز به صورت p مشخص می‌شود و مکان‌های p -facility ( x ) از n- مقصد انتخاب می‌شوند تا هر مقصد را به یک مرکز نقشه برداری کنند. یک پارامتر باینری برای نشان دادن مقصد d i نگاشت شده به تسهیلات x j اعمال می شود. برای هر مقصد، پارامتر باینری با یک ij همانطور که در رابطه (6) نشان داده شده است و به دنبال آن تابع هدف هزینه ( x ) در معادله (7) بیان می شود. جدول 3 توضیحات پارامترها را ارائه می دهد.

همانطور که در جدول 4 نشان داده شده است ، این مدل ریاضی با استفاده از یک مدل یکپارچه شامل PSO و GA حل شده است. PSO یک روش مبتنی بر بهینه‌سازی تصادفی است که از رفتار اجتماعی مشاهده‌شده استفاده می‌کند و یک راه‌حل تصادفی را از طریق یک راه‌حل بالقوه در فضای مسئله آغاز می‌کند.
هر ذره که به عنوان بردارهای بعدی (D) ارائه شده است، در رابطه (9) با استفاده از سرعت اولیه به طور تصادفی در معادله (10) توضیح داده شده است. معادله (11) بهترین موقعیت محلی هر ذره را تعریف می کند، در حالی که معادلات (12) و (13) موقعیت ها و سرعت های شخصی تنظیم شده آنها مطابق با بهترین راه حل برای هر ذره (pbest) و بهترین راه حل برای همه جمعیت ها (gbest) هستند. در میان ذرات همسایگی آنها
این مطالعه از PSO استفاده می‌کند زیرا ساده، پیاده‌سازی آسان، نیاز به پارامترهای کمی دارد و ویژگی مهمی دارد که GA ندارد [ 48 ]. یکی از اشکالات PSO همگرایی زودرس است.
از سوی دیگر، GA که توسط جان هالند توسعه یافته است، از فرآیندهای نوترکیب، جهش و انتخاب به عنوان عملگرهای خود استفاده می کند. GA برای مسائل بهینه‌سازی گسترده و سیستم‌های گسسته و پیوسته به کار رفته است. ویژگی‌های GA محاسبه انواع مختلف بهینه‌سازی‌ها را ممکن می‌سازد زیرا فرزندان متعدد به طور مستقل در یک جمعیت عمل می‌کنند و فضای جستجو را به طور همزمان در جهات مختلف کاوش می‌کنند [ 49 ]. با وجود مزایای GA، اندازه جمعیت، جمعیت جدید و سایر پارامترهای انتخاب باید هوشمندانه انتخاب شوند. در غیر این صورت، همگرایی دشوار خواهد بود و ممکن است نتایج بی معنی ایجاد کند.
برای به دست آوردن یک تابع هدف که به صورت جداگانه نسبت به PSO و GA برتر است، قابلیت ارائه pbest و gbest را اضافه کردیم. ما انتظار داشتیم که پتانسیل دستیابی به یک راه حل قوی تر در یک زمان معقول را داشته باشیم و رویه های دقیق در جدول 5 ارائه شده است.
در طول این فرآیند، سه اقدام متقاطع وجود داشت. اولین مورد این است که فرزندان/فرزندان از همه جمعیت ها نیمی از جمعیت (گروه A) تولید شوند. دومین فرآیند متقاطع، کودکان را با بهترین راه حل برای به دست آوردن راه حل (گروه B) تولید می کند. آخرین فرآیند متقاطع شامل محلول تولید شده از همه جمعیت ها با gbest آن (گروه C) است. پس از سه بار انجام متقاطع، روند انجام جهش و به دست آوردن راه حل تناسب اندام ادامه می یابد. در نهایت، گروه های A، B، و C و راه حل جهش برای به دست آوردن بهترین راه حل ها برای تکرار بعدی مرتب می شوند.

3. نتیجه

3.1. تحلیل اولیه

برای ارزیابی اولیه، مکان‌های مراکز لجستیک به همراه مجموعه داده امکانات پست کره از IGIS به منطقه مورد مطالعه اختصاص داده شد [ 50 ]. مجموعه داده شامل 1999 گره (مراکز و تقاضا) از سراسر کشور، از جمله نام مکان، آدرس، نوع امکانات، و موقعیت های عرضی-طولی است. مجموعه داده بر روی یک لایه شکل-فایل از IGIS ارائه شده و با استفاده از نرم افزار QGIS 3.20 Odense [ 51 ] پردازش می شود.
در شکل 2 و شکل 3 ، نقاط قرمز نشان دهنده مکان های مرکز توزیع پست کره (KPD) در حالی که نقاط آبی نشان دهنده مکان های خرده فروشی کره پست (تقاضا) هستند. با استفاده از لایه OpenStreetMap، شکل 2 محیط دقیق مکان های نقطه در منطقه سئول را نشان می دهد، و شکل 3 تمام خواسته های کره جنوبی را نشان می دهد. از آنجایی که سئول با بیش از 10 میلیون نفر، بزرگترین کلان شهر کره جنوبی است، تقاضای لجستیک آن نیز بسیار زیاد است. این با تعداد نقاط آبی روی نقشه مکان‌های پست کره در مقایسه با نقشه جمعیت [ 13 ]، با تقاضاهای خوشه‌بندی شده در شکل 3 نشان داده می‌شود .
شش ضلعی های قرمز تیره در شکل 4 نشان دهنده ناحیه ای با بیشترین تعداد تقاضا (نقاط آبی) در 10 کیلومتری است. تعداد نقاط تقاضا برای تنظیم شبکه و ویژگی های فضایی سیستم های لجستیک مهم است.

3.2. تجزیه و تحلیل فضایی و شبکه برای بخش مکان

پارامترهای مدل برای تحلیل تحلیل فضایی شامل ماتریس فاصله و چگالی لجستیک به عنوان مقادیر اولویت در انتخاب مکان‌های جایگزین است. ماتریس فاصله را می توان با استفاده از جعبه ابزار ماتریس فاصله نرم افزار GIS ترسیم کرد. ماتریس های هدف، طول دقیق و خوشه های شبکه مورد استفاده در مدل ریاضی را محاسبه می کنند.
در این تحقیق، فرآیند خوشه‌بندی را با تقسیم منطقه مورد مطالعه با استفاده از افزونه تجزیه و تحلیل نقطه داغ در نرم‌افزار GIS با شبکه‌ای شش ضلعی، همانطور که در شکل 4 نشان داده شده است، تکمیل می‌کنیم. توجه داشته باشید که شش ضلعی را می توان با اشکال دیگری جایگزین کرد. منطقه تحت پوشش برای هر شش ضلعی 10 کیلومتر بود و نقاط نقشه برداری شده در هر منطقه شش ضلعی شمارش شدند. پس از آن، تعداد امکانات شمارش می شود تا امتیازات وزنی در شعاع به دست آید.
مکان های تاسیسات با استفاده از تحلیل الگوی موران I تحلیل شدند. تجزیه و تحلیل شامل سه نوع نابرابری است: توزیع شده، متمرکز و خوشه ای، همانطور که در شکل 5 نشان داده شده است. Moran’s I برای اطمینان از خوشه‌بندی تقاضاهای لجستیکی در کره جنوبی (+1) محاسبه می‌شود. با مقایسه شکل 4 و شکل 5 ، می‌توانیم تصویر کلی از تقاضاهای لجستیکی در کره جنوبی را نیز به دست آوریم که خوشه‌بندی شده‌اند، زیرا شش ضلعی‌های قرمز تیره‌تر در مناطق متراکم مانند سئول، بوسان و دائگو قرار دارند.
تجزیه و تحلیل QGIS تفاوت‌ها را در تأسیسات لجستیکی در سراسر کره جنوبی نشان داد و تأیید کرد که امکانات در مناطق خوشه‌بندی شده‌اند. با استفاده از جعبه ابزار Getis-Ord، یک مقدار وزنی ایجاد می شود تا تفاوت محیطی بین مناطق با تقاضای بالا و کم، همانطور که در شکل 6 نشان داده شده است، ارائه شود. سپس مقدار وزنی تخمین زده شده با روش PSO-GA برای تجزیه و تحلیل مکان استفاده می شود.

3.3. انتخاب مکان با استفاده از PSO-GA

همانطور که در بخش قبل توضیح داده شد، انتخاب مکان بخشی از مشکل شبکه لجستیک در این مطالعه است که در آن ” p ” در یک شبکه متمرکز می شود و گره های ” m ” برای ” n ” امکانات کاندید در نظر گرفته می شوند، با پارامترها حداقل وزن کل یا فواصل وزن نشده مربوط به.
تجزیه و تحلیل شبکه لجستیک با نواحی وزنی و بدون وزنی که در قسمت قبل تخمین زده شد، محاسبه می شود. مدل ریاضی با استفاده از روش ترکیبی PSO-GA، همانطور که در بخش 3.2 ارائه شده است، حل شده است. سپس، نتایج با روش‌های موجود، مانند الگوریتم‌های BPSO و PSO مقایسه می‌شوند.
همانطور که قبلا ذکر شد، اندازه یک مشکل شبکه لجستیک به طور متفاوتی بر اساس تعداد گره ها و تعداد مراکز ” p ” مرتبط است. این مطالعه پنج سناریو اعداد تقاضا را برای آزمایش مدل در نظر می گیرد: 100، 150، 200، 350 و 600.
اعداد تقاضا منعکس کننده اختلاف زمان حل هستند و به ما در انتخاب ساختار شبکه مناسب کمک می کنند. به عنوان عملکرد دیگر، مسافت طی شده بین تقاضاها شمارش و گزارش می شود. جدول 6 پارامتر پیشنهادی را فهرست می کند.
سه الگوریتم (PSO-GA، PSO و BPSO ترکیبی پیشنهادی) با استفاده از © MATLAB 2021Ra محاسبه شده و بر روی یک لپ‌تاپ AMD Ryzen 3 4300U با Radeon Graphics، 2.70 گیگاهرتز با رم 16.00 گیگابایتی نصب شده اجرا می‌شوند.
مدل ترکیبی PSO-GA پیشنهادی از اندازه جمعیت اولیه 100 تقاضا استفاده می‌کند و همان تعداد برای الگوریتم‌های BPSO و PSO، همانطور که در جدول 4 ارائه شده است، اعمال می‌شود . عدد تکرار در فرآیند PSO-GA روی 500 برای PSO و 500 برای GA تنظیم شد. برای مقایسه، تعداد تکرار برای هر دو BPSO و PSO روی 1000 تنظیم شده است. حداکثر سرعت کوچک (Vmax) مقدار 0 را تعیین می کند و کاوش را به عنوان یک جستجوی تصادفی خالص ترویج می کند. از طرف دیگر، حداکثر سرعت زیاد نشان دهنده اکتشاف محدود است. در حالت دوم، حداکثر سرعت برای حداکثر 10 و حداقل سرعت روی 10- تنظیم می شود و برای هر تکرار به روز می شود.
انتخاب ضریب اینرسی ( w ) برای کاهش سرعت ذرات یک مرحله چالش برانگیز است. اگر مقدار کمتر از 1 باشد، از همگرایی جلوگیری می شود. اگر روی -1 < w < 1 تنظیم شود، V ij به مرور زمان صفر می شود. در این آزمایش، همه الگوریتم‌ها از 0.9 برای مقدار ضریب اینرسی استفاده کردند. عوامل یادگیری ( c 1 و c 2 ) هر دو 2.0 هستند. هیچ تفاوت سخت افزاری یا نرم افزاری در پردازش عملیات حل کننده وجود نداشت.

3.4. مقایسه PSO-GA، BPSO و PSO

ایده الگوریتم پیشنهادی بهبود تولید راه حل با هر تکرار توسط عملگرهای انتخاب، جهش و متقاطع است. اپراتورهای GA تا زمانی که بهبودهای قابل توجهی برای نسل بعدی ارائه شود کار می کنند. بهترین راه حل ها برای دستیابی به راه حل های بهتر با هر تکرار انتخاب می شوند. بنابراین، انتظار می رود PSO-GA پیشنهادی لجستیک برتر را در زمان کمتری ارائه دهد.
سه الگوریتم PSO-GA، BPSO و PSO با استفاده از دو نوع مشکل شبکه لجستیک آزمایش می شوند: وزن دار و بدون وزن. مشکل شبکه لجستیک وزن دار به این معنی است که یک منطقه دارای مقدار چگالی تقاضا از GIS است و مشکل شبکه لجستیک وزنی به این معنی است که یک منطقه دارای تراکم تقاضا با اندازه منطقه است. هر دو مشکل شبکه لجستیک برای گره های 100، 150، 200، 350 و 600 با تعداد میانه های مختلف اعمال می شوند. نتایج حل برای زمان حل و هزینه کل به ترتیب در جدول 7 و جدول 8 آورده شده است. برای افزودن پیچیدگی، p- number در محاسبه برای هر اندازه شبکه با استفاده از یک تا پنج نمونه درگیر است.
جدول 7 زمان حل هر روش را ارائه می دهد که عمدتاً بر اساس تراکم تقاضای آنها (وزن دار و بدون وزن) تفکیک شده است. علاوه بر این، ارزش کل هزینه در بین این عملکردها متفاوت است.
به عنوان مثال، زمانی که اندازه شبکه 100 است و p برابر با 1 است، مورد اول را در نظر بگیرید: مرکزی که یک منطقه اولویت وزنی را در نظر می گیرد، هزینه کل را 6784846 دلار محاسبه می کند، در حالی که مرکز بدون وزن هزینه کل را 6185364 دلار محاسبه می کند. محاسبات بارها و بارها با استفاده از الگوریتم‌های PSO-GA، BPSO، و PSO برای تایید اثربخشی برتر PSO-GA انجام شد. عملکردها و تحلیل های دقیق در بخش زیر ارائه شده است.

4. تجزیه و تحلیل و بحث

این مطالعه با ارائه الگوریتم ترکیبی PSO-GA، عملکرد مراکز لجستیک را تجزیه و تحلیل می‌کند و نتیجه را با تکنیک‌ها و رویکردهای موجود مانند BPSO و PSO برای ارزیابی عملکرد روش پیشنهادی مقایسه می‌کند.
با مرور جدول 7 و جدول 8 می توان زمان حل و هزینه کل سه الگوریتم را با هم مقایسه کرد. با استفاده از پارامترهای مشابه، PSO-GA ترکیبی عملکرد بهتری را از نظر زمان حل و هزینه کل در مقایسه با BPSO نشان می‌دهد، و جدول 9 و جدول 10 به ترتیب مقایسه‌ای برای زمان‌های راه‌حل و هزینه‌های کل ارائه می‌دهند. مقدار منفی نشان می دهد که PSO-GA نتایج بهتری نسبت به BPSO یا PSO دارد.
در مقایسه با BPSO، PSO-GA 80٪ عملکرد زمان حل بهتری در بین تکرارها ارائه می دهد. از طرف دیگر، PSO-GA تقریباً 88٪ عملکرد زمان حل بهتری را در مقایسه با الگوریتم PSO ارائه می دهد. در یک عدد p بالاتر، بر اساس نتایج ارائه شده، PSO-GA پیشنهادی تفاوت های بسیار کمی را نشان می دهد، در برخی نقاط تقریبا 0٪.
PSO-GA پیشنهادی همچنین عملکرد بهتری را در مقایسه با BPSO در شبکه‌های لجستیک وزنی در نتایج زمان حل و هزینه کل ارائه می‌دهد. ترکیبی PSO-GA 80٪ موثرتر از BPSO در حل محاسبه هزینه است. با این حال، در سطح بالاتری از پیچیدگی، PSO-GA و BPSO همان کیفیت عملکرد را با تفاوت تقریباً صفر بین دو حل کننده ارائه می دهند.
در مقایسه‌های PSO-GA و BPSO، PSO-GA زمان حل کمی سریع‌تر را برای شبکه لجستیک وزن‌دار در مقایسه با شبکه بدون وزن ارائه می‌کند. از سوی دیگر، PSO-GA 88 درصد راه‌حل سریع‌تری را در طول تکرار هنگام رسیدگی به مسائل p-median وزن‌نشده در مقایسه با PSO اصلی ارائه می‌کند. یک ویژگی قابل توجه این است که هر چه اندازه شبکه بزرگتر باشد، PSO به زمان بیشتری برای حل آن نیاز دارد. از طرف دیگر، PSO مسائل با پیچیدگی بالاتر را سریعتر حل می کند.
PSO-GA مشکلات را در مدت زمان بسیار کوتاه‌تری نسبت به PSO حل کرد. الگوریتم پیشنهادی راه‌حل اولاد را مرتب می‌کند و تنها بهترین آنها را به عنوان یک جمعیت جدید برای تکرار بعدی بررسی می‌کند. PSO-GA در میان بهترین راه حل ها به دنبال راه حل بهینه می گردد، بنابراین در زمان ارائه راه حل نهایی صرفه جویی می کند. بهترین راه حل های PSO-GA نه تنها از تلاقی جمعیت بر روی pbest و gbest آن، بلکه از طریق متقاطع و جهش جمعیت حاصل می شود.
بنابراین دستیابی به بهترین راه حل سریعتر از بررسی جمعیت های معمولی به دست می آید. شکل 7 کارایی مدل پیشنهادی را نشان می دهد.
علیرغم حل شبکه لجستیک وزن دار 78 درصد سریعتر از شبکه بدون وزن، محاسبه هزینه کل نشان می دهد که PSO-GA هزینه مدیریت کمی بهتری را برای مشکلات شبکه لجستیک بدون وزن ارائه می دهد. به طور خاص، PSO-GA 4.71٪ عملکرد متوسط ​​صرفه جویی در هزینه را برای مشکلات وزنی و 4.79٪ برای مشکلات غیروزنی ارائه می دهد.
علیرغم نتایج خوب، این مطالعه از نظر مقیاس توزیع دارای محدودیت است. از آنجایی که لجستیک به توزیع بین یک شهر و شهر دیگر محدود نمی شود، بلکه توزیع بین کشورها را نیز شامل می شود، این باید برای به دست آوردن چشم اندازی گسترده در فرآیندهای توزیع در سطح جهانی در نظر گرفته شود. با داشتن نتیجه مثبت نسبت به مطالعات موجود، انتظار می‌رود مدل پیشنهادی در آینده بهبود یابد تا تفاوت‌ها را نشان دهد و به پژوهشگران در بررسی عملکرد مراکز لجستیک کمک کند.

5. نتیجه گیری ها

انتخاب یک مرکز لجستیک نیازمند راه حلی است که بتواند گره های حمل و نقل را به هم متصل کند و هزینه حمل و نقل بین آن گره ها را به حداقل برساند. این مطالعه ادغام یک سیستم اطلاعات جغرافیایی با یک الگوریتم فراابتکاری ترکیبی را پیشنهاد می‌کند. مرحله اول از تجزیه و تحلیل مبتنی بر GIS استفاده می کند که تجزیه و تحلیل فضایی و شبکه ای را با استفاده از تجزیه و تحلیل هات اسپات ارائه می دهد. این محاسبه از شاخص موران با در نظر گرفتن آمار z -score، p -value و Getis-Ord استفاده می‌کند. این مقادیر مهم هستند زیرا اولویت های شبکه را ارائه می دهند. این اولویت ها با استفاده از مقادیر چگالی تقاضا تعیین می شوند.
مرحله بعدی یک فرآیند تحلیل با استفاده از روش PSO-GA پیشنهادی است. پارامترها از تجزیه و تحلیل قبلی GIS هدایت می شوند. روش پیشنهادی زمان‌های حل کوتاه‌تری را برای شبکه‌های لجستیک وزن‌دار و بدون وزن در مقایسه با سایر فراابتکاری‌های موجود مانند BPSO و PSO فراهم می‌کند. با این حال، در حل سطوح بزرگتر و بالاتر از پیچیدگی شبکه، تفاوت در زمان حل بین PSO-GA و BPSO تقریبا صفر است. تفاوت هزینه کل بین PSO-GA و BPSO نیز کم است، اما PSO-GA پیشنهادی هزینه کل نسبتاً کمتری را ارائه می دهد. PSO-GA همچنین عملکرد بهتری را در راه حل های شبکه لجستیک وزن دار و بدون وزن در مقایسه با PSO به تنهایی نشان می دهد. به طور کلی، PSO-GA ثابت شده است که یک روش کارآمد برای تجزیه و تحلیل مکان مرکز لجستیک در مقایسه با مدل‌های بهینه‌سازی موجود است.
در این مطالعه، سئول، کره جنوبی، یک سایت آزمایشی برای تجزیه و تحلیل بود. در مطالعات آینده، مناطق بسیار وسیع تری برای انتخاب لجستیک باید در نظر گرفته شود. انتظار می رود روش پیشنهادی اصلاح شود.

منابع

  1. کاباک، او. Ekici، Ş.Ö.; Ülengin، F. تجزیه و تحلیل تعامل دو طرفه بین رقابت پذیری و عملکرد لجستیک کشورها. ترانسپ سیاست 2020 ، 98 ، 238-246. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. Wiederer، CK; آرویس، جی. اوجالا، ال.ام. Kiiski، TMM شاخص عملکرد لجستیک بانک جهانی. در دایره المعارف بین المللی حمل و نقل ; ویکرمن، آر.، اد. الزویر: آمستردام، هلند، 2021؛ صص 94-101. [ Google Scholar ]
  3. کاینک، ر. کوچ اوغلو، İ. Akgün، AE نقش لجستیک معکوس در مفهوم مراکز لجستیک. Procedia-Soc. رفتار علمی 2019 ، 109 ، 438-442. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. اویانیک، سی. توزکایا، جی. Oguztimur, S. A Literature Survey on Literature Survey on Logistics’ Center’s Selection Problem Selection Location. Signa J. Eng. نات. علمی 2018 ، 36 ، 141-160. [ Google Scholar ]
  5. Kechagias، EP; Gayialis، SP; کنستانتاکوپولوس، جی دی. پاپادوپولوس، GA کاربرد یک سیستم حمل و نقل بار شهری برای کاهش انتشار گازهای گلخانه ای. Systems 2020 , 8 , 49. [ Google Scholar ] [ CrossRef ]
  6. محتشمی، ز. اقسمی، ع. Jolai, F. طرح زنجیره تامین حلقه بسته سبز با استفاده از سیستم صف برای کاهش اثرات زیست محیطی و مصرف انرژی. جی. پاک. تولید 2020 , 242 , 118452. [ Google Scholar ] [ CrossRef ]
  7. کنستانتاکوپولوس، جی دی. Gayialis، SP; Kechagias، EP; پاپادوپولوس، GA; Tatsiopoulos، IP فراابتکاری جستجوی چندهدفه همسایگی بزرگ برای مشکل مسیریابی خودرو با پنجره زمانی. الگوریتم‌ها 2020 ، 13 ، 243. [ Google Scholar ] [ CrossRef ]
  8. خالد، ب. اوربانسکی، ام. کوالسکا-سودیکا، م. ویسلوکا، ای. پیونتک، ب. ارزیابی پذیرش مصرف کنندگان از انرژی های تجدیدپذیر. Energies 2021 , 14 , 7138. [ Google Scholar ] [ CrossRef ]
  9. پلتفرم های اروپایی در دسترس آنلاین: https://www.europlatforms.eu/?page_id=150 (در 15 ژوئیه 2021 قابل دسترسی است).
  10. توبولیک، ا. مک کارتی، ال. متیوز، ال. تجسم مجدد چالش های زنجیره تامین از طریق تحقیقات درگیر انتقادی. J. Supply Chain Manag. 2020 ، 56 ، 36-51. [ Google Scholar ] [ CrossRef ]
  11. ویرا، BO; گوارنیری، پ. نوفل، ر. نوفل، ب. روش های چند معیاره بکار رفته در مطالعات موانع شناسایی شده در اجرای لجستیک معکوس زباله های الکترونیکی: دستور کار پژوهشی. لجستیک 2020 ، 4 ، 11. [ Google Scholar ] [ CrossRef ]
  12. استویچ، ژ. Brković، N. یک مدل جدید یکپارچه FUCOM-MARCOS برای ارزیابی منابع انسانی در یک شرکت حمل و نقل. لجستیک 2020 ، 4 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. بررسی جمعیت جهان در دسترس آنلاین: https://worldpopulationreview.com/countries/south-korea-population (در 15 ژوئیه 2021 قابل دسترسی است).
  14. رودریگ، جی. کامتویس، سی. Slack, B. The Geography of Transport Systems , 5th ed.; Routledge: لندن، انگلستان، 2013; صص 72-76. [ Google Scholar ]
  15. رائو، سی. گوه، م. ژائو، ی. ژنگ، جی. انتخاب مکان مراکز تدارکات شهری تحت پایداری. ترانسپ Res. قسمت D Transp. محیط زیست 2015 ، 36 ، 29-44. [ Google Scholar ] [ CrossRef ]
  16. بل، MGH فصل 20- تدارکات شهر و محیط شهری. در فرم شهری و دسترسی ; Mulley, C., Nelson, JD, Eds. الزویر: آمستردام، هلند، 2021؛ صص 359-378. [ Google Scholar ]
  17. Kunaka، C. لجستیک در جهان در حال توسعه. در دایره المعارف بین المللی حمل و نقل ; ویکرمن، آر.، اد. الزویر: آمستردام، هلند، 2021؛ صص 150-156. [ Google Scholar ]
  18. پوهیت، اس. گوپتا، دی بی؛ پراتاپ، دی. Malik, S. بررسی ادبیات در اندازه گیری هزینه لجستیک: چشم انداز یک کشور در حال توسعه. جی. اقتصاد آسیایی. یکپارچه سازی 2019 ، 1 ، 260–282. [ Google Scholar ] [ CrossRef ]
  19. باریکین، سی. کاپوستینا، IV; سرگیف، اس ام. کالینینا، او. ویلکن، VV; پوتیخین، YY; Volkova، LV توسعه مدل دوقلوی دیجیتال توزیع فیزیکی در شبکه تجاری. آکادمی استراتژی. مدیریت J. 2021 ، 20 ، 1-24. [ Google Scholar ]
  20. الجوهانی، ک. تامپسون، RG تأثیرات پراکندگی لجستیک بر محیط شهری و تدارکات: طبقه‌بندی و بررسی ادبیات. J. Transp. Geogr. 2016 ، 57 ، 255-263. [ Google Scholar ] [ CrossRef ]
  21. اوه، ای. لی، اچ. توسعه الگوریتم کلونی مورچه های چند جهتی و موازی مبتنی بر پیچیدگی با در نظر گرفتن شبکه با تغییرات توپولوژی پویا. Appl. علمی 2019 ، 9 ، 3646. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. لی، اچ. استراتژی کنترل پویا موثر یک تامین کننده کلیدی با چند تولیدکننده پایین دستی با استفاده از اینترنت صنعتی اشیا و سیستم ابری. Processes 2019 ، 7 ، 172. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. اوه، ای. لی، اچ. چارچوب تولید مسیریابی موثر با استفاده از بهینه سازی کلونی مورچه های چند جهته و موازی. J. Korean Inst. هوشمند سیستم 2018 ، 28 ، 523-530. [ Google Scholar ]
  24. شاهپروری، س. نصیریان، ع. محمدی، ع. نوری، س. Chhetri، P. یک رویکرد یکپارچه GIS-LP برای مشکل مکان یابی هاب لجستیک. محاسبه کنید. مهندسی صنعتی 2020 , 146 , 106488. [ Google Scholar ] [ CrossRef ]
  25. هاگینو، ی. Endo، K. تجزیه و تحلیل بالقوه مکان های تاسیسات توزیع با استفاده از مدل سازی گسسته انتخاب در منطقه شهری توکیو. زیرساخت. طرح. Rev. 2007 , 24 , 103-110. [ Google Scholar ] [ CrossRef ]
  26. هوآ، ایکس. هو، ایکس. یوان، دبلیو. بهینه سازی تحقیقاتی در مورد مکان مرکز توزیع لجستیک بر اساس الگوریتم ازدحام ذرات تطبیقی. Optik 2016 ، 127 ، 8443-8450. [ Google Scholar ] [ CrossRef ]
  27. شیمیزو، ی. میورا، تی. اثر توپولوژی بر محاسبات موازی برای بهینه‌سازی لجستیک در مقیاس بزرگ از طریق PSO باینری. در مهندسی شیمی به کمک کامپیوتر ; Bogle, IDL, Fairweather, M., Eds. الزویر: آمستردام، هلند، 2012; جلد 30، ص 1247–1251. [ Google Scholar ]
  28. وانگ، ی. ما، ایکس. خو، ام. لیو، ی. وانگ، ی. مسئله پارتیشن بندی منطقه توزیع لجستیک دو طبقه بر اساس الگوریتم ژنتیک بهینه سازی ازدحام ذرات ترکیبی. سیستم خبره Appl. 2015 ، 42 ، 5019–5031. [ Google Scholar ] [ CrossRef ]
  29. چاکمک، ای. Önden، İ. آکار، AZ; Eldemir، F. تجزیه و تحلیل مکان مراکز لجستیک شهری در استانبول با ادغام سیستم های اطلاعات جغرافیایی با الگوریتم بهینه سازی ازدحام ذرات باینری. مورد مطالعه. ترانسپ سیاست 2021 ، 9 ، 59-67. [ Google Scholar ] [ CrossRef ]
  30. شیمیزو، ی. Miura, T. یک طرح محاسباتی موازی برای بهینه‌سازی شبکه لجستیک در مقیاس بزرگ که توسط PSO هیبریدی گسسته تقویت شده است. در مهندسی شیمی به کمک کامپیوتر ; الزویر: آمستردام، هلند، 2009; صفحات 2031–2036. [ Google Scholar ]
  31. هیاسات، ع. دیابات، ع. رهوان، اول. یک رویکرد الگوریتم ژنتیک برای مسئله مکان یابی- موجودی- مسیریابی با محصولات فاسد شدنی. J. Manuf. سیستم 2017 ، 42 ، 93-103. [ Google Scholar ] [ CrossRef ]
  32. گاجپال، ی. آباد، ص. سیستم کلونی مورچه ها (ACS) برای مشکل مسیریابی خودرو با تحویل و پیکاپ همزمان. محاسبه کنید. اپراتور Res. 2009 ، 36 ، 3215-3223. [ Google Scholar ] [ CrossRef ]
  33. شجاع، ع. ملاعلیزاده زواردهی، س. Niroomand، S. الگوریتم‌های بهینه‌سازی یادگیری انسانی تطبیقی ​​ساده‌سازی شده ترکیبی برای مسئله طراحی شبکه زنجیره تامین با امکان ارسال مستقیم. Appl. محاسبات نرم. 2020 , 96 , 106594. [ Google Scholar ] [ CrossRef ]
  34. کاچیتوویچیانوکول، وی. سامبانتام، پی. Kunnapapdeelert، S. دو نمایش راه حل برای حل مشکل مسیریابی وسیله نقلیه چند انباری با درخواست های تحویل و تحویل متعدد از طریق PSO. محاسبه کنید. مهندسی صنعتی 2015 ، 89 ، 125-136. [ Google Scholar ] [ CrossRef ]
  35. مارینکی، م. ماریناکیس، ی. الگوریتم بهینه‌سازی ازدحام کرم درخشان برای مسئله مسیریابی خودرو با تقاضاهای تصادفی. سیستم خبره Appl. 2016 ، 46 ، 145-163. [ Google Scholar ] [ CrossRef ]
  36. آلبایراک، م. الله وردی، ن. توسعه یک عملگر جهش جدید برای حل مسئله فروشنده دوره گرد با کمک الگوریتم ژنتیک. سیستم خبره Appl. 2011 ، 38 ، 1313-1320. [ Google Scholar ] [ CrossRef ]
  37. ساکائی، ت. کاوامورا، ک. Hyodo، T. امکانات لجستیک برای حمل و نقل درون و بین منطقه ای: توزیع های فضایی، عوامل انتخاب مکان، و عوامل خارجی. J. Transp. Geogr. 2020 , 86 , 102783. [ Google Scholar ] [ CrossRef ]
  38. Van den Heuvel، FP; د لانگن، PW; ون دونسلار، KH; Fransoo، JC تمرکز فضایی و پویایی مکان در تدارکات: مورد یک استان هلند. J. Transp. Geogr. 2013 ، 28 ، 39-48. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. بابان، SMJ; Parry, T. توسعه و بکارگیری یک رویکرد به کمک GIS برای مکان یابی مزارع بادی در انگلستان. تمدید کنید. انرژی 2001 ، 24 ، 59-71. [ Google Scholar ] [ CrossRef ]
  40. چن، ی. هوانگ، ز. آی، اچ. گوا، ایکس. لو، اف. تأثیر سیستم‌های اطلاعات شبکه GIS/GPS بر هزینه توزیع لجستیک شرکت‌های دخانیات. ترانسپ Res. بخش E Logist. ترانسپ Rev. 2021 , 149 , 102299. [ Google Scholar ] [ CrossRef ]
  41. کلوز، آ. Drexl، A. مدل های مکان تاسیسات برای طراحی سیستم توزیع. یورو جی. اوپر. Res. 2005 ، 162 ، 4-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. یزدانی، م. چترجی، پی. پاموکار، دی. چاکرابورتی، اس. توسعه یک مدل تصمیم گیری یکپارچه برای انتخاب مکان مراکز لجستیک در جوامع خودمختار اسپانیا. سیستم خبره Appl. 2020 , 148 , 113208. [ Google Scholar ] [ CrossRef ]
  43. Ogato، GS; بانتیدر، ا. آببه، ک. Geneletti، D. تجزیه و تحلیل چند معیاره مبتنی بر سیستم اطلاعات جغرافیایی (GIS) از خطر و خطر سیل در شهر آمبو و حوزه آبخیز آن، منطقه غرب شوا، ایالت منطقه‌ای ارومیا، اتیوپی. جی هیدرول. Reg. گل میخ. 2020 ، 27 ، 100659. [ Google Scholar ] [ CrossRef ]
  44. زیاکوپولوس، الف. تحلیل فضایی رویدادهای رفتار خشن رانندگی در شبکه‌های شهری با استفاده از گوشی‌های هوشمند با وضوح بالا و داده‌های هندسی. اسید. مقعدی قبلی 2021 ، 157 ، 106189. [ Google Scholar ] [ CrossRef ]
  45. اورت، BI; Fennessy، ST; ون دن هیور، N. استفاده از تجزیه و تحلیل نقاط داغ برای ردیابی تغییرات در ماهیگیری سخت پوستان در کوازولو-ناتال، آفریقای جنوبی. Reg. گل میخ. مارس Sci. 2021 ، 41 ، 101553. [ Google Scholar ] [ CrossRef ]
  46. کوماری، م. سرما، ک. Sharma، R. با استفاده از Moran’s I و GIS برای مطالعه الگوی فضایی دمای سطح زمین در رابطه با کاربری/پوشش زمین در اطراف یک نیروگاه حرارتی در منطقه Singrauli، مادهیا پرادش، هند. Remote Sens. Appl. Soc. محیط زیست 2019 ، 15 ، 100239. [ Google Scholar ] [ CrossRef ]
  47. ArcGIS Pro – z-Score چیست؟ p -Value چیست ؟ در دسترس آنلاین: https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/what-is-az-score-what-is-ap-value.htm (دسترسی در 21 جولای 2021).
  48. گوالانی، ح. تیواری، سی. Mikler، AR ارزیابی اکتشافی برای مسئله p-median: مقیاس و توزیع تقاضای فضایی. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 88 ، 101656. [ Google Scholar ] [ CrossRef ]
  49. یانگ، الگوریتم های بهینه سازی الهام گرفته از طبیعت XS ، ویرایش دوم. بخش 6; انتشارات آکادمیک: لندن، بریتانیا، 2021. [ Google Scholar ]
  50. مراکز لجستیک و نقاط پست کره. در دسترس آنلاین: https://map.igismap.com/ (در 1 ژوئیه 2021 قابل دسترسی است).
  51. برنامه QGIS. در دسترس آنلاین: https://www.qgis.org/en/site/ (در 1 ژوئیه 2021 قابل دسترسی است).
Ijgi 11 00005 g001 550
شکل 1. طرح واره برای روش پیشنهادی.
Ijgi 11 00005 g002 550
شکل 2. مراکز KPD و تأسیسات پست کره در سئول.
Ijgi 11 00005 g003 550
شکل 3. نقشه برداری از پست کره و مکان های مرکز تدارکات توسط نرم افزار QGIS 3.20 Odense.
Ijgi 11 00005 g004 550
شکل 4. تجزیه و تحلیل خوشه بندی تقاضای لجستیک.
Ijgi 11 00005 g005 550
شکل 5. نوع الگوهای نابرابری ( الف ) توزیع شده، ( ب ) متمرکز، و ( ج ) خوشه ای.
Ijgi 11 00005 g006 550
شکل 6. الگوی نابرابری در یک منطقه، سئول با استفاده از QGIS.
Ijgi 11 00005 g007 550
شکل 7. مقایسه PSO-GA، BPSO و PSO در زمان حل و هزینه کل. ( الف ) زمان راه‌حل برای شبکه وزن‌دار، ( ب ) زمان راه‌حل برای شبکه بدون وزن، ( ج ) هزینه کل برای شبکه وزن‌دار، و ( د ) هزینه کل برای شبکه بدون وزن.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید