Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Kecerdasan Terapan 24, 17–30, 2006

©
c 2006 Springer Science + Business Media, Inc. Diproduksi di Belanda.

Algoritma Genetika Multi-Objektif untuk Perutean Kendaraan

Masalah dengan Time Windows

BEATRICE OMBUKI, BRIAN J. ROSS DAN FRANKLIN HANSHAR Departemen

Ilmu Komputer, Universitas Brock, St. Catharines, ON, Kanada L2S 3A1
bombuki@brocku.ca
bross@brocku.ca
fh01ab@brocku.ca

Abstrak.Vehicle Routing Problem with Time windows (VRPTW) merupakan perluasan dari Capacity Constraint Vehicle Routing Problem (VRP). VRPTW adalah NP-Complete dan
instans dengan 100 pelanggan atau lebih sangat sulit untuk diselesaikan secara optimal. Kami mewakili VRPTW sebagai masalah multi-tujuan dan menyajikan solusi algoritma
genetika menggunakan teknik peringkat Pareto. Kami menggunakan interpretasi langsung dari VRPTW sebagai masalah multi-tujuan, di mana dua dimensi tujuan adalah
jumlah kendaraan dan biaya total (jarak). Keuntungan dari pendekatan ini adalah tidak perlu menurunkan bobot untuk formula skor jumlah terbobot. Ini mencegah
pengenalan bias solusi terhadap salah satu dimensi masalah. Kami berpendapat bahwa VRPTW paling alami dipandang sebagai masalah multi-tujuan, di mana kendaraan dan
biaya memiliki nilai yang sama, tergantung kebutuhan pengguna. Hasil dari penelitian kami adalah bahwa algoritma genetika optimasi multi-tujuan mengembalikan satu set
solusi yang cukup mempertimbangkan kedua dimensi ini. Pendekatan kami cukup efektif, karena memberikan solusi kompetitif dengan yang paling dikenal dalam literatur,
serta solusi baru yang tidak bias terhadap jumlah kendaraan. Satu set data benchmark terkenal digunakan untuk membandingkan efektivitas metode yang diusulkan untuk
memecahkan VRPTW. serta solusi baru yang tidak bias terhadap jumlah kendaraan. Satu set data benchmark terkenal digunakan untuk membandingkan efektivitas metode
yang diusulkan untuk memecahkan VRPTW. serta solusi baru yang tidak bias terhadap jumlah kendaraan. Satu set data benchmark terkenal digunakan untuk membandingkan
efektivitas metode yang diusulkan untuk memecahkan VRPTW.

Kata kunci:masalah perutean kendaraan dengan jendela waktu (VRPTW), algoritme genetika, optimisasi multi-tujuan, peringkat
Pareto

1. Perkenalan untuk mengurangi biaya operasional dalam sistem distribusi.

Masalah penjadwalan dan perutean adalah subjek penelitian aktif di
komunitas optimasi karena sejumlah alasan. Pertama, mereka biasanya
mendefinisikan masalah pencarian yang menantang, dan bagus untuk
melatih teknik pencarian heuristik baru hingga batasnya. Mereka
dengan mudah dimasukkan ke dalam spesifikasi formal, dan kumpulan
data standar dengan berbagai kompleksitas sering dibuat untuk
mereka. Ini memungkinkan contoh masalah yang terdefinisi dengan
baik untuk dibagikan di antara para peneliti, sehingga membuat
perbandingan metodologi yang efektif. Akhirnya, mereka sering
memiliki banyak aplikasi praktis di dunia nyata: hasilnya benar-benar
berguna untuk industri dan lainnya.
Vehicle Routing Problems (VRPs) adalah masalah optimasi
kombinatorial terkenal yang muncul dalam logistik transportasi yang
biasanya melibatkan penjadwalan di lingkungan yang dibatasi. Dalam
manajemen transportasi, terdapat persyaratan untuk menyediakan
barang dan/atau jasa dari titik pasokan ke berbagai titik yang tersebar
secara geografis dengan implikasi ekonomi yang signifikan. VRP telah
menerima banyak perhatian dalam beberapa tahun terakhir karena
penerapannya yang luas dan kepentingan ekonomi dalam menentukan
strategi distribusi yang efisien
Akibatnya, varian VRP telah dipelajari secara ekstensif dalam
literatur (untuk tinjauan rinci, lihat [1-4]).
VRP tipikal dapat dinyatakan sebagai berikut: rancang rute
dengan biaya terendah dari depot pusat ke satu set titik yang
tersebar secara geografis (pelanggan, toko, sekolah, kota, gudang,
dll.) dengan berbagai permintaan. Setiap pelanggan harus dilayani
tepat satu kali hanya oleh satu kendaraan, dan setiap kendaraan
memiliki kapasitas yang terbatas. Vehicle Routing Problem with
Time Windows (VRPTW) adalah perpanjangan dari VRP; di sini a
jendela waktuberhubungan dengan setiap pelanggan. Artinya,
selain batasan kapasitas kendaraan, setiap pelanggan
menyediakan kerangka waktu di mana layanan atau tugas tertentu
harus diselesaikan, seperti memuat atau menurunkan kendaraan.
Sebuah kendaraan mungkin datang lebih awal, tetapi harus
menunggu sampai waktu servis memungkinkan. Beberapa model
VRPTW (model jendela waktu lunak) memungkinkan untuk layanan
jendela awal atau akhir, tetapi dengan beberapa bentuk penalti.
Namun, sebagian besar peneliti telah berfokus pada model jendela
waktu sulit, seperti halnya makalah ini. Tujuan dari VRPTW adalah
untuk meminimalkan jumlah kendaraan dan total jarak yang
ditempuh untuk melayani pelanggan tanpa:
18 Ombuki, Ross dan Hanshar
melanggar batasan kapasitas dan jendela waktu. Batasan
kapasitas dilanggar jika jumlah total permintaan pelanggan
dalam rute tertentu melebihi kapasitas kendaraan. VRPTW
telah menerima banyak perhatian karena penerapan batasan
jendela waktu dalam situasi dunia nyata. Contoh aplikasi
praktis dari VRPTW termasuk penjadwalan bus sekolah dan
taksi, pengiriman/penjemputan kurir dan surat, penjadwalan
armada maskapai dan kereta api, dan pengumpulan sampah
industri.
VRPTW adalah contoh klasik dari masalah optimasi
multi-tujuan [5, 6] lengkap-NP. Ledakan
kombinatorial sudah jelas, dan mendapatkan solusi
optimal yang tepat untuk jenis masalah NP-hard ini
sulit dilakukan secara komputasi. Jadi kita jarang
dapat mencapai jadwal rute yang optimal dalam
waktu yang wajar untuk kasus masalah besar [6].
Tidak ada algoritma polinomial yang telah
dikembangkan untuk jenis masalah ini, dan
ketidakberadaannya secara umum diyakini [5].
Berbagai peneliti telah menyelidiki VRPTW
menggunakan teknik eksak dan pendekatan. Karya
Kohl [7] adalah salah satu metode eksak yang paling
efisien untuk VRPTW; itu berhasil memecahkan
berbagai contoh ukuran 100 pelanggan. Namun,
tidak ada algoritma yang dikembangkan hingga saat
ini yang dapat menyelesaikan secara optimal semua
VRPTW dengan 100 pelanggan atau lebih.
Penelitian tentang optimasi kombinatorial berdasarkan
metaheuristik telah mendapatkan popularitas terutama sejak
tahun 90-an. Pendekatan-pendekatan ini mencari solusi perkiraan
dalam waktu polinomial daripada solusi eksak yang akan
memakan biaya sangat tinggi. Meta-heuristik, seperti algoritma
genetika (GA) [9-15, 17, 18], strategi evolusi [16], simulasi anil [19],
pencarian tabu [21-25], dan optimasi koloni semut [8] telah
diusulkan untuk VRPTW. Meta-heuristik sangat cocok untuk
memecahkan masalah kompleks yang mungkin terlalu sulit atau
memakan waktu untuk diselesaikan dengan teknik tradisional.
Heuristik lain yang telah diterapkan pada VRPTW termasuk
pemrograman kendala dan pencarian lokal [26, 27].
Salah satu teknik paling efisien untuk VRPTW adalah
pengembangan algoritma hibrid dua fase yang membagi
pencarian menjadi dua tahap: minimalisasi (i) jumlah rute dan (ii)
biaya perjalanan. Pendekatan dua fase untuk VRPTW biasanya
diarahkan pada desain algoritma yang disesuaikan dengan setiap
suboptimasi. Algoritma dua fase biasanya menggunakan dua
prosedur pencarian lokal yang berbeda untuk mengeksploitasi
minimalisasi rute yang diikuti dengan minimalisasi biaya
perjalanan. Gehring dan Homberger [28] memperkenalkan
pencarian hybrid dua tahap yang pertama meminimalkan jumlah
kendaraan menggunakan strategi evolusi dan kemudian jarak
total diminimalkan menggunakan algoritma pencarian tabu.
Dalam pencarian tabu dua tahap, diperkenalkan oleh Potvin et al.
[29], fase pertama memindahkan pelanggan keluar dari rute untuk
mengurangi jumlah total kendaraan, dan pada fase kedua
pertukaran antar dan intra-pelanggan dilakukan untuk
mengurangi biaya perjalanan. Chiang dan Russell
[30] memperkenalkan pencarian hybrid berdasarkan simulasi
anil dan pencarian tabu. Metode cluster-first, route-second
menggunakan algoritma genetika dan proses optimasi
pencarian lokal dilakukan oleh Thangiah [31]. Studi
perbandingan kinerja GA, pencarian tabu dan simulasi anil
untuk VRPTW diberikan dalam [31, 32].
Luca Maria Gambardella dkk. [8] mempelajari jenis
implementasi multiobjektif dari VRPTW dengan meminimalkan
fungsi tujuan hierarkis, di mana tujuan pertama
meminimalkan jumlah kendaraan dan yang kedua
meminimalkan total waktu perjalanan. Ini dicapai dengan
mengadaptasi sistem koloni semut (ACS) [33].
Dalam pekerjaan sebelumnya [11] kami menerapkan pencarian
hybrid berdasarkan GA dan pencarian tabu ke VRPTW lunak.
Sementara hasil yang baik diperoleh, pendekatannya adalah dua
fase: GA pertama kali digunakan untuk mengatur jumlah
kendaraan, dan kemudian pencarian tabu lokal digunakan untuk
meminimalkan total biaya jarak yang ditempuh. Intinya, masalah
VRPTW multi-tujuan diubah menjadi optimasi tujuan tunggal.
Perlu dicatat bahwa semua pekerjaan VRPTW di atas bias
terhadap jumlah kendaraan. Setiap kali ukuran kebugaran jumlah
tertimbang dilakukan, dimensi kendaraan dan jarak pada dasarnya
dievaluasi sebagai skor terpadu. Keuntungan dari ini adalah
bahwa solusi tunggal diperoleh sebagai hasilnya. Namun, solusi ini
bias oleh transformasi tujuan tunggal dari masalah, dan dalam
semua pekerjaan sebelumnya, bias ini selalu memprioritaskan
jumlah kendaraan. Hal ini dapat dilihat dari fakta bahwa solusi
yang dilaporkan secara diam-diam mengasumsikan bahwa jumlah
kendaraan pertama kali diminimalkan, dan kemudian jarak
diminimalkan sehubungan dengan nilai kendaraan ini.
Makalah ini mempelajari VRPTW sebagai masalah optimisasi
multi-tujuan (MOP), seperti yang diimplementasikan dalam GA.
Secara khusus, dua dimensi masalah yang akan dioptimalkan—
jumlah kendaraan dan total jarak yang ditempuh—dianggap
sebagai dimensi terpisah dari ruang pencarian multi-tujuan.
Meskipun MOP dan algoritme genetik telah diterapkan pada
VRPTW sebelumnya, interpretasi VRPTW sebagai MOP
menggunakan GA ini jarang terjadi. Seperti semua MOP, satu
keuntungan langsung adalah bahwa tidak perlu untuk
mendamaikan karakteristik masalah ini satu sama lain secara
numerik. Dengan kata lain, kami tidak menentukan apakah jumlah
kendaraan atau total jarak yang ditempuh menjadi prioritas.
Dengan menggunakan prosedur pemeringkatan Pareto, masing-
masing karakteristik masalah ini disimpan terpisah, dan tidak ada
upaya untuk menyatukannya.
Ada sejumlah keuntungan dalam menggunakan formulasi MOP
literal dari VRPTW ini. Pertama, dengan memperlakukan jumlah
kendaraan dan jarak total sebagai entitas yang terpisah, bias
pencarian tidak diperkenalkan. Kedua, ada kasus filosofis yang
kuat yang harus dibuat untuk memperlakukan VRPTW sebagai
MOP. Spesifikasi VRPTW membutuhkan minimalisasi jumlah
kendaraan dan jarak total yang ditempuh. Dari sudut pandang
teoretis, ini mungkin mustahil untuk diwujudkan, karena instance
dari VRPTW mungkin memiliki banyak solusi non-dominasi.
Beberapa solusi dapat meminimalkan
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan 19

jumlah kendaraan dengan mengorbankan jarak, dan lain-lain VRPTW adalah untuk melayani semuaCpelanggan menggunakanV
meminimalkan jarak sementara tentu meningkatkan jumlah kendaraan sedemikian rupa sehingga tujuan berikut terpenuhi
kendaraan. Namun, jika seseorang memindai literatur, sebagian besar dan kendala berikut terpenuhi.
peneliti dengan jelas menempatkan prioritas pada meminimalkan
jumlah kendaraan. Meskipun ini mungkin masuk akal dalam beberapa Tujuan
kasus, itu tidak secara inheren lebih disukai daripada meminimalkan
jarak. Meminimalkan jumlah kendaraan mempengaruhi biaya • Minimalkan jumlah kendaraan yang digunakan untuk melayani
kendaraan dan tenaga kerja, sementara meminimalkan jarak pelanggan.
mempengaruhi waktu dan sumber daya bahan bakar. Oleh karena itu, • Minimalkan jarak yang ditempuh oleh kendaraan.
VRPTW secara intrinsik bersifat MOP, dan formulasi MOP kami
mengakui solusi alternatif ini. Kendala
Akhirnya, formulasi MOP kami dari VRPTW secara komputasi
menguntungkan. Seperti yang akan ditunjukkan, kinerja dan hasil
• Kendala kapasitas kendaraan diamati.
yang diperoleh dengan MOP dengan peringkat Pareto bersaing
• Batasan jendela waktu harus diperhatikan.
dengan yang ditemukan di tempat lain.
• Setiap pelanggan dilayani tepat satu kali.
Bagian 2 memberikan spesifikasi VRPTW, dan gambaran umum
• Setiap rute kendaraan dimulai dari simpul 0 dan berakhir di simpul n
pencarian optimasi multi-tujuan. Rincian eksperimental disajikan di
+1.
Bagian 3 sementara Bagian 4 melaporkan hasil kami dan
memberikan perbandingan dengan pekerjaan terkait. Sebuah
diskusi umum menyimpulkan makalah di Bagian 5.
Gambar 1 menunjukkan model grafis sederhana dari
VRPTW dan solusinya. Dalam contoh ini, ada dua rute, rute 1
dengan 4 pelanggan dan rute 2 dengan 5 pelanggan.
Model VRPTW dapat dirumuskan secara matematis seperti gambar
2. Latar Belakang
di bawah ini:

2.1. Deskripsi VRPTW ∑∑

min caku jxijk seperti yang; (1)
k∈V saya∈N j∈N
VRPTW diwakili oleh satu set kendaraan identik dilambangkan denganV ∑∑
, dan graf berarahG= (C, A), yang terdiri dari sekumpulan pelanggan,C. xijk=1 ∀saya∈ C (2)
Node 0 dann+1 mewakili depot, yaitu, depot keluar, dan depot kembali k∈V j∈N
∑ ∑
masing-masing. Sekumpulan darinsimpul yang menunjukkan
dsaya xijk≤ q ∀k∈ V (3)
pelanggan dilambangkanN.Set busurSEBUAHmenunjukkan semua j∈N
∑
saya∈C

kemungkinan koneksi antara node (termasuk node yang menunjukkan

x0jk=1 ∀k∈ V (4)
depot). Tidak ada busur yang berakhir pada simpul 0 dan tidak ada
j∈N
busur yang berasal dari simpuln+1 dan semua rute dimulai dari 0 dan ∑ ∑
berakhir din+1. Kami mengasosiasikanbiaya Caku j xsaya hk− xhjk=0∀h∈ C,
danwaktu untukaku jdengan setiap busur (aku j)∈ SEBUAHdari jaringan saya∈N j∈ N

perutean. Waktu perjalanantaku jmungkin termasuk waktu layanan di

pelanggansaya. Setiap kendaraan memiliki batas kapasitasqdan setiap
pelanggansaya,memiliki permintaandsaya,saya∈ C. Setiap pelanggansaya 3
5
mempunyai sebuahjendela waktu, [sebuahsaya, bsaya],di manasebuahsayadanb
sayaadalah waktu buka dan waktu tutup masing-masing darisaya.Sebuah
kendaraan mungkin tiba sebelum awal jendela waktu (yaitu,sebuahsaya)
berarti memerlukan waktu tunggu sampai layanan memungkinkan. Namun, 7
1
tidak ada kendaraan yang boleh tiba melewati penutupan interval waktu
tertentu,bsaya.Kendaraan juga harus meninggalkan depot dalam jendela
waktu depot [sebuah0,b0] dan harus kembali sebelum atau pada waktunyabn Rute 1
+1. Dengan asumsi waktu tunggu diizinkan tanpa biaya, kita dapat berasumsi Depot
Rute 2
bahwasebuah0=b0= 0; yaitu, semua rute dimulai pada waktu 0.
Model ini memiliki dua jenis variabel keputusanxdans. Untuk
6 8
setiap busur (aku j),di manasaya-=Ji-=n+1,j-=0, dan setiap
kendaraank, variabel keputusanxijksama dengan 1 jika kendaraank
drive dari vertexsayake puncakj,dan 0 sebaliknya. Variabel 2
9
keputusansikmenunjukkan kendaraan waktuk,k∈ V mulai melayani
pelanggansaya,saya∈ C. Jika kendaraanktidak melayani pelanggan 4
saya,kemudiansiktidak memiliki arti. Kita mungkin berasumsi
bahwasebuah0= 0 dan oleh karena itus0k=0,∀k. Tujuan dari Gambar 1. Contoh solusi perutean untuk VRPTW.
20 Ombuki, Ross dan Hanshar

∀k∈ V (5) lebih disukai, dan individu dalam peringkat 1 adalah yang terbaik
∑
dalam populasi saat ini.
xdi+1, k=1 ∀k∈ V (6)
saya∈N
Ide pemeringkatan Pareto adalah untuk menjaga independensi

sik+taku j− K(1xijk)≤ sjk tujuan individu. Hal ini dilakukan dengan memperlakukan kandidat
solusi saat ini sebagai set bertingkat atau peringkat solusi yang
∀saya∈ N,∀ j∈ N,∀k∈ V (7)
mungkin. Individu di setiap set peringkat mewakili solusi yang dalam
atausaya≤ sik≤ ctsaya ∀saya∈ N,∀k∈ V ∀ (8) beberapa hal tidak dapat dibandingkan satu sama lain. pareto

xijk{0,1} V= {1,saya
2,· ∈ N, j∈ N,∀k∈ V
· ·,k} C= {1,2,· · ·,
n} 0,n+1 depo
N= {0,1, . . . ,n, n+1} d
saya kliensayatuntutan
(9) pemeringkatan hanya akan membedakan individu yang jelas-jelas lebih
unggul dari yang lain dalam semua dimensi masalah. Ini kontras
kendaraan
dengan upaya algoritme genetika murni untuk menetapkan skor
ukuran pelanggan kebugaran tunggal ke MOP, mungkin sebagai jumlah tertimbang.
Melakukan hal itu pada dasarnya menyusun kembali MOP sebagai
masalah tujuan tunggal. Kesulitan dengan ini adalah bahwa jumlah
ukuran simpul
tertimbang mengharuskan pengenalan bias ke dalam kinerja pencarian
dan kualitas solusi yang diperoleh. Bagi banyak MOP, menemukan

klien
sebuahsaya sayaklien waktu pembobotan yang efektif untuk berbagai dimensi itu sulit danAD hoc,
dan sering kali menghasilkan kinerja dan solusi yang tidak memuaskan.
bsaya bukasayakendaraan

qk waktu dekatkkapasitas Berikut ini didasarkan pada diskusi di [36]. Kami berasumsi
kliensayadarijklien waktusaya bahwa MOP adalah masalah minimisasi, di mana skor yang lebih
taku j
rendah lebih disukai.
sik mengambilkwaktu layanan

Definisi.Diberikan masalah yang didefinisikan oleh vektor

Fungsi tujuan (1) menyatakan bahwa biaya harus diminimalkan.
tujuanf= (f1, . . . ,fk)tunduk pada kendala masalah yang sesuai.
Himpunan kendala (2) menyatakan bahwa setiap pelanggan harus
maka vektorkamumendominasivjika
dikunjungi tepat satu kali oleh satu kendaraan, dan himpunan kendala
(3) menyatakan bahwa kapasitas kendaraan tidak boleh dilampaui.
∀saya(1, . . . ,k) :kamusaya≤ vsaya∧ ∃saya(1, . . . ,k) :kamusaya<v saya
Himpunan kendala berikutnya (4), (5) dan (6) memberikan kendala
aliran yang memastikan bahwa setiap kendaraan meninggalkan depot
Ini dilambangkan sebagaikamu v.
0, berangkat dari pelanggan yang dikunjungi dan akhirnya kembali ke
Definisi di atas mengatakan bahwa sebuah vektor didominasi jika
depot, diberikan oleh noden+1. Pertidaksamaan nonlinier (7) (yang
dan hanya jika ada vektor lain yang lebih baik dalam setidaknya 1
dapat dengan mudah dilinierkan, lihat [1]) menyatakan bahwa
tujuan, dan setidaknya sama baik dalam tujuan yang tersisa.
kendaraanKtidak dapat tiba dijsebelumsik+taku jjika perjalanan darisaya
kej. Batasan (8) memastikan bahwa jendela waktu diamati dan (9)
Definisi.Sebuah solusivadalahPareto optimaljika tidak ada vektor
memberikan himpunan batasan integral.
lainkamudi ruang pencarian yang mendominasiv.

2.2. Optimasi Multi-Objektif dan Definisi.Untuk MOP yang diberikan,Set optimal paretoP∗
Peringkat Pareto adalah himpunan vektorvsayaseperti yang∀vsaya:¬∃kamu:kamu vsaya.

Masalah optimisasi multi-tujuan (MOP) adalah masalah di mana dua
atau lebih tujuan atau parameter berkontribusi pada hasil keseluruhan.
Tujuan ini sering mempengaruhi satu sama lain dengan cara yang
kompleks dan nonlinier. Tantangannya adalah menemukan
seperangkat nilai untuk mereka yang menghasilkan optimasi dari
keseluruhan masalah yang dihadapi. Komputasi evolusioner telah
banyak diterapkan pada MOP [34-37]. Keberhasilan mereka terletak
pada penerapan umum algoritma evolusioner dalam menemukan
solusi yang baik untuk masalah dengan struktur yang sesuai, dan
kemampuan beradaptasi representasi genetik dan evaluasi kebugaran
terhadap masalah di bidang MOP.
Skema pemeringkatan Pareto telah sering digunakan dalam aplikasi
MOP algoritma genetika [9]. Ini mudah dimasukkan ke dalam proses
evaluasi kebugaran dalam algoritme genetika, dengan mengganti skor
kebugaran mentah dengan peringkat Pareto. Peringkat ini, yang akan
didefinisikan di bawah, mengelompokkan populasi ke dalam kategori
preferensi. Dengan itu, peringkat yang lebih rendah adalah
Definisi.Untuk MOP yang diberikan,Pareto depanadalah himpunan bagian
dari himpunan optimal Pareto.
Banyak MOP akan memiliki banyak solusi dalam himpunan optimal
Pareto. Oleh karena itu, dalam menjalankan algoritma genetika yang
sukses, front Pareto akan menjadi himpunan solusi yang diperoleh.
Seperti disebutkan sebelumnya, skema peringkat Pareto
dimasukkan ke dalam algoritme genetika dengan mengganti
kecocokan kromosom denganPeringkat Pareto. Peringkat ini adalah
nilai integer berurutan yang mewakili lapisan stratifikasi dalam
populasi yang diperoleh melalui pengujian dominasi. Vektor yang diberi
peringkat 1 tidak didominasi, dan secara induktif, vektor peringkatsaya
+1 didominasi oleh semua vektor pangkat 1 sampai saya. Gambar 2
menunjukkan bagaimana peringkat Pareto dapat dihitung untuk satu
set vektor. Pertama, himpunan vektor yang tidak didominasi dalam
populasi diberi peringkat 1. Vektor-vektor ini
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan 21

peningkatan strategi NSGA II [40]. Kami segera menyadari

bahwa ruang kebugaran VRPTW mencegah definisi jarak
kebugaran efektif yang diperlukan oleh heuristik keragaman,
dan karenanya keragaman tidak ditingkatkan sama sekali
selama berlari.

3. Pencarian Genetik Multi-Objektif untuk VRPTW

Bagian ini memberikan detail representasi VRPTW, evaluasi

kebugaran, strategi Pareto, dan parameter GA lainnya yang
digunakan. Dalam GA, setiap kromosom dalam kumpulan
populasi diubah menjadi sekelompok rute. Kromosom
kemudian mengalami proses evolusi berulang sampai jumlah
Gambar 2. Algoritma peringkat Pareto.
cluster rute minimum yang mungkin tercapai atau kondisi
terminasi terpenuhi. Proses transformasi dicapai dengan
skema perutean kami yang dijelaskan dalam Bagian 3.7.
Bagian evolusi dilakukan seperti pada GA biasa menggunakan
dihilangkan, dan vektor non-dominasi yang tersisa diberi peringkat 2.
operasi crossover dan seleksi pada kromosom. Pemilihan
Hal ini diulangi sampai seluruh populasi diberi peringkat. Evolusi
turnamen dengan retensi elit digunakan untuk melakukan
kemudian berjalan seperti biasa, menggunakan nilai peringkat sebagai
seleksi individu berdasarkan kebugaran untuk reproduksi
skor kebugaran. Perhatikan bahwa peringkat Pareto adalah
evolusioner lebih lanjut. Operator crossover khusus masalah
pengukuran relatif, dan tidak ada konsep "solusi terbaik" yang
yang memastikan solusi yang dihasilkan melalui evolusi
menggunakan skor peringkat. Oleh karena itu, setiap generasi dalam
genetik semuanya layak juga diusulkan. Oleh karena itu,
satu lari akan memiliki peringkat 1 set. Untuk menentukan apakah
pemeriksaan kendala dan mekanisme perbaikan dapat
solusi aktual telah ditemukan, dan bahwa lari harus dihentikan,
dihindari, sehingga menghasilkan peningkatan efisiensi.
pengukuran kebugaran mentah perlu diperiksa.
Gambar 3 menguraikan sistem perutean genetik.
Baru-baru ini, pendekatan yang lebih maju untuk memecahkan MOP
menggunakan algoritma evolusioner telah diusulkan, seperti SPEA [38],
PAES [39], NSGA II [40], dan lain-lain [37]. Fitur penting dari strategi 3.1. Representasi Kromosom dan Penciptaan Populasi
MOP tingkat lanjut adalah kemampuan untuk mempertahankan Awal
keragaman populasi. Peringkat Pareto sendiri sering menghasilkan
populasi yang sangat konvergen. Ini adalah produk dari peringkat Untuk menerapkan GA pada masalah tertentu, kita perlu
Pareto, di mana populasi dengan variasi vektor kebugaran yang kaya memilih representasi string (kromosom) internal untuk ruang
disusun kembali menjadi nilai peringkat integral diskrit. Hasilnya solusi. Pemilihan komponen ini merupakan salah satu aspek
biasanya konvergensi populasi menjadi beberapa relung yang kuat kritis terhadap keberhasilan/kegagalan GA untuk suatu
dalam himpunan Pareto. Kurangnya keragaman yang dihasilkan masalah yang diminati. Dalam pendekatan kami, kromosom
menghambat kemajuan evolusioner yang efektif. Perhatikan bahwa, yang mewakili konfigurasi jaringan diberikan oleh string
meskipun konvergensi juga terjadi dengan algoritma genetika tujuan bilangan bulat panjangN,di manaNadalah jumlah pelanggan
tunggal, biasanya kurang akut daripada apa yang muncul dalam dalam contoh masalah tertentu. Gen dalam kromosom
peringkat Pareto murni. tertentu menunjukkan nomor simpul asli yang ditetapkan
Meskipun ada kemungkinan bahwa beberapa pendekatan untuk pelanggan, sedangkan urutan gen dalam string
MOP baru yang disebutkan di atas mungkin efektif untuk kromosom menentukan urutan kunjungan pelanggan. Contoh
masalah VRPTW, penelitian ini bukanlah tujuan untuk kromosom yang menghasilkan solusi untuk jaringan yang
menemukan pendekatan MOP evolusioner yang paling efektif diberikan pada Gambar 1 adalah sebagai berikut:
untuk memecahkan VRPTW. Kami meninggalkan ini untuk
pertimbangan masa depan. Sifat ruang kebugaran VRPTW,
251478639
bagaimanapun, kemungkinan akan membuat beberapa
pendekatan baru ini tidak efektif. Algoritma seperti SPEA dan
NSGA II memerlukan definisi ruang relung, yang digunakan
untuk mengevaluasi karakteristik keragaman populasi. VRPTW
menggunakan nomor kendaraan diskrit yang bernilai relatif
rendah sebagai salah satu dimensinya. Aspek ruang
kebugaran ini membuat definisi area niche bermasalah,
karena sebagian besar solusi yang baik untuk VRPTW berada
di bagian yang sangat kecil dari dimensi nomor kendaraan
dari masalah tersebut. Faktanya, Gambar 3. Garis besar sistem perutean genetik.
22 Ombuki, Ross dan Hanshar
Sebuah string kromosom berisi urutan rute, tetapi tidak ada
pembatas yang digunakan untuk menunjukkan awal atau
akhir dari masing-masing rute dalam kromosom tertentu.
Namun, korespondensi antara kromosom dan rute dijelaskan
lebih lanjut dalam Bagian 3.6. Untuk menghasilkan populasi
awal, 90 persen populasi dibuat dengan permutasi acak dari N
node pelanggan. 10 persen sisanya dihasilkan oleh prosedur
serakah sebagai berikut:
1. Diberikan satu set pelangganCdari ukuranN;
2. Inisialisasi string kromosom kosongaku;
3. Hapus pelanggan secara acakcsaya∈ C;
4. Tambahkan simpul pelanggancsayake dawai kromosomaku;
5. Dalam radius Euclidean yang diputuskan secara empiris
berpusat di sekitarcsaya,pilih pelanggan terdekatcj,di manacj-∈
aku; lain jikacjtidak ada, maka goto 3.
6. Tambahkancjkeaku, dan hapuscjdariC;
7. Maricsaya=cjdan ke 5.
8. Jika panjang kromosom =N,mengakhiri, yang lain pergi ke 5;
3.2. Evaluasi Kebugaran Pareto dan Strategi Evaluasi
Lainnya
Setelah setiap kromosom diubah menjadi topologi jaringan yang
memungkinkan menggunakan skema pengelompokan rute yang
diberikan pada Bagian 3.7, kesesuaian setiap kromosom
ditentukan. Kecocokan kromosom dievaluasi menurut dua
pendekatan: (1) fungsi kecocokan jumlah terbobot dan (2)
peringkat berdasarkan teknik peringkat Pareto.
3.2.1. Metode Jumlah Tertimbang.Metode ini membutuhkan
penambahan fungsi tujuan masalah bersama-sama
menggunakan koefisien tertimbang untuk setiap tujuan
individu. Artinya, VRPTW multi-tujuan kami ditransformasikan
menjadi masalah optimasi tujuan tunggal di mana kebugaran
individuF(x) dikembalikan sebagai:
∑ berbasis kebugaran yang bekerja sebagai berikut. Satu setK
kebugaran =α · |V| +β · Dk (10)
k∈V
∑∑
Dk= taku jxijk (11)
saya∈N j∈N
α danβ adalah parameter berat yang terkait dengan jumlah
kendaraan dan total jarak tempuh masing-masing kendaraan.
Nilai bobot dari parameter yang digunakan dalam fungsi ini
ditetapkan secara empiris dan ditetapkan padaα = 100 danβ =
0.001.
3.3. Prosedur Peringkat Pareto
Interpretasi MOP langsung dari VRPTW diadopsi. Dua tujuan
tersebut adalah jumlah kendaraan dan total biaya. Mereka
mendefinisikan dua dimensi independen dalam ruang kebugaran
multi-tujuan. Jadi, dengan menggunakan karakterisasi Bagian 2.1,
masing-masing kandidat solusi VRPTW dalam
Gambar 4. GA dengan peringkat Pareto.
populasi telah dikaitkan dengannya sebagai vektorv= (n, c), di
mana nadalah jumlah kendaraan untuk solusi kandidat itu, dan c
adalah total biaya. Berbeda dengan jumlah bobot di atas, kedua
dimensi ini dipertahankan sebagai nilai independen, untuk
akhirnya digunakan oleh prosedur pemeringkatan Pareto.
Gambar 4 menunjukkan bagaimana skema peringkat Pareto
pada Gambar 2 digabungkan dengan algoritma genetika.
Peringkat Pareto diterapkan pada (n, c) vektor populasi, yang pada
dasarnya membuat populasi satu set pangkat integral≥ 1.
Rangking ini kemudian digunakan oleh GA sebagai fitness untuk
membangkitkan populasi berikutnya. Perhatikan bahwa peringkat
itu sendiri tidak menunjukkan kualitas solusi, atau apakah solusi
optimal telah ditemukan. Setiap populasi, termasuk populasi awal
yang diacak, dijamin memiliki peringkat 1 set. Ini bukan kerugian
untuk contoh umum VRPTW, karena tidak ada cara yang efisien
untuk mengetahui apakah solusi kandidat VRPTW benar-benar
optimal.
3.4. Seleksi Berbasis Kebugaran
Pada setiap tahap generasi, kita perlu memilih orang tua untuk
kawin dan bereproduksi. Strategi pemilihan turnamen dengan
model elite retaining [9] digunakan untuk membangkitkan
populasi baru. Strategi pemilihan turnamen adalah skema seleksi
individu dipilih secara acak dari populasi. Ini dikenal sebagai
set turnamen. Dalam makalah ini, ukuran yang ditetapkan
diambil menjadi 4. Kami juga memilih nomor acakr,di antara
0 dan 1. Jikarkurang dari 0,8 (0,8 ditetapkan secara empiris dengan
mencoba nilai 0,6, 0,7, 0,8, 0,9 dan 1,0), individu yang paling cocok
dalam set turnamen kemudian dipilih sebagai individu yang akan
digunakan untuk reproduksi. Jika tidak, setiap kromosom dipilih
untuk reproduksi dari set turnamen.
Sebuah model elit dimasukkan untuk memastikan bahwa individu
terbaik dibawa ke generasi berikutnya. Keuntungan dari metode elitis
dibandingkan reproduksi probabilistik tradisional adalah memastikan
bahwa solusi terbaik saat ini dari generasi sebelumnya disalin tanpa
berubah ke generasi berikutnya. Ini berarti bahwa solusi terbaik yang
dihasilkan oleh kromosom terbaik secara keseluruhan tidak akan
pernah memburuk dari satu generasi ke generasi berikutnya. Dalam
GA kami, meskipun individu terkuat sebelumnya diturunkan tanpa
perubahan ke generasi berikutnya, ia dipaksa untuk bersaing dengan
individu baru yang paling cocok.
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan
3.5. Fase Rekombinasi
Salah satu aspek unik dan penting dari teknik yang melibatkan algoritma genetika adalah peran penting yang
dimainkan rekombinasi (secara tradisional, dalam bentuk operator crossover). Dalam [11] kami melakukan
eksperimen di mana kami menetapkan bahwa dua operator crossover standar: Uniform Order Crossover (UOX)
[42] dan Partially Mapped Crossover (PMX) [42] tidak cocok untuk VRPTW keras. Kami kemudian
memperkenalkan Route Crossover (RC) yang merupakan peningkatan dari UOX. Rincian eksperimental
menunjukkan bahwa RC mengungguli UOX dan PMX (lihat rincian RC di [11]). Jadi, dalam pekerjaan ini, kami
awalnya menggunakan RC. Sementara kami menetapkan bahwa RC lebih cocok untuk VRPTW daripada
operator crossover terkenal, kelemahan RC adalah lebih cocok untuk VRPTW lunak di mana beberapa kondisi
santai. Sebagai contoh, menerapkan RC terkadang mengakibatkan beberapa pelanggan tidak ditugaskan ke
kendaraan apa pun. Dalam hal ini, kromosom yang menghasilkan pelanggan yang tidak terlayani hanya
dihukum selama tahap evaluasi kebugaran. Dalam tulisan ini, kita berurusan dengan VRPTW keras, di mana
semua kendala harus dipenuhi, maka kita membutuhkan operator crossover yang tidak mengakibatkan
beberapa pelanggan tidak dilayani. Makalah ini menggunakan crossover khusus masalah (Best Cost Route
Crossover, BCRC) yang bertujuan untuk meminimalkan jumlah kendaraan dan biaya secara bersamaan sambil
memeriksa kendala kelayakan. Dinamika usulan Best Cost Route Crossover ditunjukkan pada Gambar 5. kita
berhadapan dengan VRPTW keras, di mana semua kendala harus dipenuhi, maka kita membutuhkan operator
crossover yang tidak mengakibatkan beberapa pelanggan tidak dilayani. Makalah ini menggunakan crossover
khusus masalah (Best Cost Route Crossover, BCRC) yang bertujuan untuk meminimalkan jumlah kendaraan
dan biaya secara bersamaan sambil memeriksa kendala kelayakan. Dinamika usulan Best Cost Route Crossover
ditunjukkan pada Gambar 5. kita berhadapan dengan VRPTW keras, di mana semua kendala harus dipenuhi,
maka kita membutuhkan operator crossover yang tidak mengakibatkan beberapa pelanggan tidak dilayani.
Makalah ini menggunakan crossover khusus masalah (Best Cost Route Crossover, BCRC) yang bertujuan untuk
meminimalkan jumlah kendaraan dan biaya secara bersamaan sambil memeriksa kendala kelayakan. Dinamika
usulan Best Cost Route Crossover ditunjukkan pada Gambar 5.
Gambar 5. Contoh: Operator cost route crossover (BCRC) terbaik.
23
Gambar 5 mengilustrasikan penciptaan dua keturunan, C1 dan C2,
dari dua orang tua, P1 dan P2, menggunakan contoh masalah
sewenang-wenang ukuran pelanggan 9 untuk tujuan penjelasan. RP1
dan RP2 memberikan set yang sesuai dari rute yang terkait dengan P1
dan P2, masing-masing, pada generasi saat ini. Sebagai contoh, P1
memiliki tiga rute (R1–R3) dengan pelanggan terkait, yaitu R1: 3 1 7, R2:
5 6 dan R3: 4 2 8 9. Seperti yang ditunjukkan pada Langkahsebuah, dari
setiap orang tua, rute dipilih secara acak. Dalam hal ini, untuk P1,
dipilih rute R2 dengan pelanggan 5 dan 6, sedangkan untuk P2 dipilih
rute R3 dengan pelanggan 7 dan 3. Selanjutnya, untuk orang tua
tertentu, pelanggan di rute yang dipilih dari orang tua yang
berlawanan akan dihapus. Misalnya pada Langkahsebuah, untuk induk
P1, pelanggan 7 dan 3 (yang termasuk dalam rute yang dipilih secara
acak di P2) dikeluarkan dari P1 sehingga menghasilkan anak C1 yang
akan datang. Demikian juga pelanggan 5 dan 6 yang termasuk dalam
rute di P1 dihapus dari rute di P2, menghasilkan C2 yang akan datang.
Karena setiap kromosom harus berisi semua nomor pelanggan (untuk
contoh masalah VRPTW yang diberikan), langkah selanjutnya adalah mencari
lokasi terbaik untuk pelanggan yang dipindahkan pada anak-anak yang
sesuai. Seperti yang ditunjukkan pada Langkah b, algoritme perlu
memasukkan kembali pelanggan 7 dan 3 di anak C1 dan pelanggan 5 dan 6
di anak C2, masing-masing. Perhatikan bahwa pilihan pelanggan mana yang
akan dimasukkan terlebih dahulu dilakukan secara acak, yaitu dalam
membuat C1, misalnya, urutan penyisipan 7 dan 3 dilakukan secara
sewenang-wenang. Dalam hal ini, pelanggan 3 pertama kali dimasukkan di
lokasi terbaik yang ditemukan di C1 (seperti yang ditunjukkan pada Langkah
b) sebelum 7 dimasukkan seperti yang ditunjukkan pada Langkahc.
24 Ombuki, Ross dan Hanshar
Titik penyisipan dikatakan tidak layak jika menghasilkan rute
yang tidak memenuhi batasan kapasitas kendaraan atau batasan
waktu. Lokasi penyisipan terbaik adalah yang menghasilkan total
rute biaya minimum. Dalam contoh ini, pelanggan 3 dan 7
keduanya ditemukan cocok dengan rute 3 P1 seperti yang
ditunjukkan pada Langkahc. Kadang-kadang, tidak ada titik
penyisipan yang layak ditemukan dan rute baru dimulai. Misalnya,
dalam membuat C2, pelanggan 6 tidak dapat dimasukkan ke
dalam rute saat ini untuk P2, maka rute baru dibuat.
3.6. Mutasi Pembalikan Rute Terkendala
Mutasi membantu algoritme genetika untuk membebaskan diri
dari fiksasi pada titik tertentu dalam ruang pencarian, dan
digunakan di sini di VRPTW karena alasan itu. Karena mutasi dapat
sangat merusak skema yang baik, setiap kromosom memiliki
kemungkinan yang rendah untuk bermutasi; dalam penelitian ini
setiap kromosom memiliki probabilitas 0,10 untuk dipilih untuk
mutasi. Saat memanfaatkan mutasi, mungkin yang terbaik adalah
memperkenalkan perubahan sekecil mungkin pada kromosom,
terutama di VRPTW, di mana jendela waktu dapat dengan mudah
dilanggar. Kami mengusulkanmutasi pembalikan rute terbatas,
yang merupakan adaptasi dari mutasi sederhana yang banyak
digunakan, biasanya disebut sebagai inversi [42]. Dalam
penggunaan sederhana dari mutasi "inversi" yang diterapkan pada
TSP, di mana representasi kromosom hanyalah permutasi dari
urutan untuk mengunjungi setiap lokal, dua titik potong dipilih
dalam kromosom, dan materi genetik di antara dua titik potong ini
terbalik, misalnya diberikan kromosom TSP:
95178243
Dua titik potong dihasilkan:
9 5 |1 7 8 2 4| 3
Dan materi genetik dibalik antara titik potong
memberikan:
95428713
Dalam makalah ini mutasi hanya dilakukan pada satu rute yang
dipilih secara acak sehingga meminimalkan gangguan total rute.
Mempertahankan jendela waktu rute menimbulkan kendala utama
karena pelanggaran jendela waktu pelanggan individu dapat
mengelompokkan rute tersebut menjadi beberapa rute. Jadi kami
menggunakan pembalikan terbatas, yang dibatasi panjangnya untuk
2-3 pelanggan. Karena pembalikan 2-pelanggan adalah perubahan
terkecil yang dapat dilakukan dalam suatu rute (karena hanya
mengubah dua tepi grafik), kami menggunakan jenis mutasi ini untuk
membantu pencarian agar tidak konvergen pada optima lokal.
3.7. Skema Perutean
Sangat umum di antara penelitian untuk VRPTW untuk merutekan
secara mendalam dalam kaitannya dengan kapasitas kendaraan;
yaitu, kendaraan dipenuhi pelanggan sampai batasan kapasitas
tidak memungkinkan penambahan pelanggan lain. Pengecualian
yang layak [32] mencoba semua skema perutean yang layak, dan
memilih skema perutean dengan biaya terbaik. Pekerjaan kami
menggunakan skema perutean dua fase yang mengubah setiap
kromosom menjadi sekelompok rute. Pada Fase 1, kendaraan
harus berangkat dari depot dan gen pertama dari sebuah
kromosom menunjukkan pelanggan pertama yang dilayani
kendaraan tersebut. Seorang pelanggan ditambahkan ke rute saat
ini dalam urutan yang dia muncul di kromosom. Prosedur
perutean mempertimbangkan bahwa kapasitas kendaraan dan
batasan waktu tidak dilanggar sebelum menambahkan pelanggan
ke rute saat ini. Rute baru dimulai setiap kali pelanggan ditemui
yang tidak dapat ditambahkan ke rute saat ini karena pelanggaran
kendala. Proses ini dilanjutkan sampai setiap pelanggan telah
ditetapkan ke tepat satu rute.
Di Fase 2, pelanggan terakhir dari setiap rutersaya,dipindahkan
untuk menjadi pelanggan pertama untuk rutersaya+1. Jika
penghapusan dan penyisipan ini mempertahankan kelayakan
untuk rutersaya+1, dan jumlah biayar1danrsaya+1pada Tahap 2
kurang dari jumlah biayarsaya+rsaya+1pada Fase 1, konfigurasi
perutean pada Fase 2 diterima, jika tidak, topologi jaringan
sebelum Fase 2 (yaitu, pada Fase 1) dipertahankan.
4. Hasil Eksperimen dan Perbandingan
Bagian ini menjelaskan eksperimen komputasi yang dilakukan untuk
menyelidiki kinerja GA yang diusulkan. Khususnya hasil eksperimen
yang ditunjukkan di sini bertujuan untuk menunjukkan dua jenis
simulasi: (i) di mana simulasi VRPTW hanya mempertimbangkan satu
tujuan di mana meminimalkan jumlah kendaraan diberikan bobot lebih
daripada meminimalkan biaya perjalanan, dan (ii) di mana VRPTW
dipertimbangkan sebagai masalah multi-tujuan (MOP), maka secara
bersamaan meminimalkan jumlah kendaraan dan biaya perjalanan
tanpa bias. Algoritma dikodekan dalam Java dan dijalankan pada PC
Intel Pentium IV 1,6 MHz dengan memori 512 MB. Hasil eksperimen
kami menggunakan contoh masalah benchmark VRPTW Solomon
standar yang tersedia di [43]. Data Solomon dikelompokkan menjadi
enam kelas; C1, C2, R1, R2, RC1 dan RC2. Masalah dalam kategori C
berarti masalah tersebut berkerumun, yaitu, pelanggan dikelompokkan
baik secara geografis atau menurut jendela waktu. Masalah dalam
kategoriRberarti lokasi pelanggan terdistribusi secara merata
sedangkan yang dalam kategori RC menyiratkan masalah hibrida
dengan karakteristik campuran dari C danR. Selanjutnya, untuk set
masalah C1, R1 dan RC1, time window untuk depot sempit, sehingga
hanya beberapa pelanggan yang dapat dilayani oleh satu kendaraan.
Sebaliknya, rangkaian masalah yang tersisa memiliki jendela waktu
yang lebih luas sehingga banyak pelanggan yang dapat dilayani oleh
kendaraan utama. Lihat [44] untuk penjelasan lebih lanjut tentang
masalah Salomo
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan 25

set. Kecuali dinyatakan lain, hasil yang disajikan di bawah ini

didasarkan pada rangkaian parameter GA berikut:

• ukuran populasi = 300

• rentang generasi = 350
• tingkat crossover = 0,80
• tingkat mutasi = 0,10

4.1. Perbandingan dengan Hasil Publikasi Terbaik

Dalam Gambar. 6–8, kami menggambarkan beberapa topologi jaringan

yang diperoleh setelah menjalankan GA selama 350 generasi. Gambar
6 mewakili kumpulan data di mana pelanggan dikelompokkan bersama
dan memiliki jendela waktu yang kecil. Gambar 7 menunjukkan
kumpulan data di mana pelanggan juga dikelompokkan tetapi memiliki
jendela waktu yang lebih luas; maka seperti yang diharapkan, topologi Gambar 7. Topologi jaringan untuk 100 pelanggan yang dikelompokkan secara geografis
jaringan menunjukkan bahwa satu kendaraan dapat melayani lebih dengan jendela waktu yang lebar. Masalah tesc201: [43].
banyak pelanggan dibandingkan dengan Gambar 8. Di sisi lain, Gambar
8 menunjukkan pelanggan yang juga memiliki jendela waktu kecil
tetapi lokasi pelanggan terdistribusi secara merata. Perlu dicatat bahwa
node dalam kategori R1 jauh lebih sulit untuk dipecahkan daripada di
kategori C. Karena keterbatasan ruang, kami hanya menampilkan tiga
topologi jaringan di sini, namun, perilaku umum mewakili kumpulan
data masing-masing.
Tabel 1 dan 2 menyajikan ringkasan hasil kami dan
membandingkannya dengan solusi yang dipublikasikan. Biaya rute
diukur dengan jarak Euclidian rata-rata. Kolom berlabelPaling
dikenalmemberikan solusi yang dipublikasikan paling terkenal,
kolomwGAmemberikan solusi terbaik dalam 10 run, di mana
VRPTW diinterpretasikan sebagai masalah objektif tunggal dengan
menggunakan kriteria evaluasi fitness sum terbobot. Kolom
berlabelkendaraan pGAdanbiaya pGAmenunjukkan solusi terbaik
yang diperoleh dalam 10 kali proses, ketika VRPTW ditafsirkan
sebagai masalah optimasi multi-tujuan dan prosedur Pareto Angka 8. Topologi jaringan untuk 100 pelanggan yang terdistribusi secara seragam
dimasukkan ke dalam GA kami untuk evaluasi kebugaran. Solusi dengan jendela waktu yang sempit. Masalah tesr108: [43].

Pareto yang dilaporkan dalam Tabel 1 dan 2

adalah dua contoh dari set Pareto peringkat 1 di akhir lari.kendaraan

Gambar 6. Topologi jaringan untuk 100 pelanggan yang dikelompokkan secara geografis
dengan jendela waktu yang sempit. Masalah tesc101: [43].
pGAsolusi adalah solusi peringkat 1 yang memiliki jumlah kendaraan
paling sedikit, sedangkanbiaya pGAnilai adalah solusi peringkat 1
dengan biaya minimal. Perhatikan bahwa dalam percobaan di mana
perbedaan jumlah kendaraan di dua kolom ini adalah≥2, bahkan ada
solusi peringkat 1 lebih lanjut di antara dua ekstrem ini. Namun, kami
hanya melaporkan dua contoh ini untuk memberikan gambaran
tentang kisaran solusi yang mungkin dihasilkan oleh pendekatan MOP
Pareto. Angka yang dicetak tebal pada Tabel 1 dan 2 menunjukkan
peningkatan pada hasil terbaik yang diketahui saat ini dari literatur
(saat mempertimbangkan jumlah kendaraan atau biaya). Tanda
centang, di sisi lain, menunjukkan bahwa solusi yang kami peroleh
sama dengan yang paling dikenal. Hasil yang diperoleh GA kami cukup
baik dibandingkan dengan hasil publikasi terbaik yang ditemukan
dalam literatur.
Keuntungan dari upaya menafsirkan VRPTW sebagai MOP
menggunakan peringkat Pareto dibandingkan dengan tujuan
tunggal menggunakan jumlah tertimbang dapat ditentukan dari
26 Ombuki, Ross dan Hanshar

Tabel 1. Solomon Benchmark dengan jendela waktu yang sempit: perbandingan GA kami dengan hasil publikasi terbaik.

Data instan Paling dikenal Ref. wGA kendaraan pGA biaya pGA

√ √ √
c101 10 828.94 [21]
√ √ √
c102 10 828.94 [21]
√ √ √
c103 10 828.06 [21]
√ √ √
c104 10 824,78 [21] 825,65 825,65
√ √ √
c105 10 828.94 [13]
√ √ √
c106 10 828.94 [21]
√ √ √
c107 10 828.94 [21]
√ √ √
c108 10 828.94 [21]
√ √ √
c109 10 828.94 [13]
√ √
r101 19 1650.8 [21] 1685.27 1690.28 20 1664.13
√
r102 17 1486.12 [21] 18 1523.10 1513,74 18 1487.07
√
r103 13 1292.68 [27] 1348.28 141237.05 141237.05
r104 9 1007.31 [27] 10 1010.36 10 1020,87 11 1010.24
√
r105 14 1377.11 [27] 15 1427,72 1415.13 15 1390.12
√
r106 12 1252,03 [21] 1273.62 13 1254.22 13 1254.22
r107 10 1104,66 [27] 11 1100,97 111100.52 111100.52
r108 9 963,99 [27] 10960.26 10 975,34 10 975,34
r109 11 1194,73 [16] 12 1211.81 121169,85 131166.09
r110 10 1124.4 [20] 11 1146.11 111112.21 111112.21
r111 10 1096,72 [20] 11 1132,51 111084,76 121079,82
r112 9 982.14 [8] 10 985,99 10976,99 10976,99
rc101 14 1696.94 [23] 151675.86 151636.92 151636.92
rc102 12 1554,75 [23] 131536.04 141488.36 141488.36
rc103 11 1261.67 [27] 12 1309.59 12 1306,42 12 1306,42
√ √ √
rc104 10 1135,48 [27] 1154.18 1140.45 1140.45
rc105 13 1633.72 [20] 141623,33 141616.56 161590.25
rc106 11 1427.13 [25] 12 1441.46 12 1454.61 131408.70
√
rc107 11 1230.48 [27] 1271.59 12 1254.26 12 1254.26
√ √
rc108 10 1142,66 [23] 1141,34 12 1254.26

kualitas solusi. Saat menggunakan peringkat Pareto, seseorang
memiliki pilihan dua (atau lebih) solusi, tergantung pada apakah
pengguna menginginkan jumlah kendaraan terbaik atau solusi
biaya perjalanan terbaik. Dalam beberapa percobaan, misalnya
c101 pada Tabel 1, ada solusi Pareto tunggal yang optimal hingga
yang paling dikenal baik dalam dimensi kendaraan dan jarak.
Solusi lain, seperti rc102, mengurangi jarak secara signifikan,
tetapi dengan mengorbankan penambahan kendaraan tambahan.
Di rc105, ada dua solusi yang dilaporkan dalam tabel yang
memiliki skor jarak yang lebih baik daripada solusi yang paling
dikenal. Namun, kedua solusi ini menggunakan 14 dan 16
kendaraan, yang menambahkan masing-masing 1 dan 3
kendaraan ke 13 kendaraan yang digunakan dalam solusi yang
paling dikenal. Jika jarak (dan karenanya waktu) menjadi kritis,
maka solusi Pareto alternatif ini jelas lebih disukai. Perhatikan
bahwa solusi Pareto lain dengan 15 kendaraan mungkin juga ada
di rc105, tetapi tidak dilaporkan dalam tabel. Dengan pendekatan
penjumlahan terbobot, hanya ada satu solusi yang belum tentu
efektif memenuhi tujuan kedua tujuan.
Tabel 3 memberikan kinerja rata-rata GA. Kolom berlabel
wGAmemberikan solusi rata-rata (untuk kendaraan dan jarak
masing-masing) untuk 10 kali lari. Untuk eksperimen pareto,
kolom berlabelpGAmemberikan rata-rata semua solusi
peringkat 1 (untuk kendaraan dan jarak masing-masing)
dalam 10 lari termasuk duplikat. Dengan membandingkan
Tabel 3 dengan solusi pada Tabel 1 dan 2, kami melihat bahwa
secara keseluruhan, kinerja GA rata-rata baik.
Tabel 4 dan 5 memberikan perbandingan hasil kami dengan hasil yang
dipublikasikan menggunakan GA (atau GA hybrid) dalam hal jumlah rata-rata
kendaraan yang digunakan dan biaya rata-rata masing-masing (huruf tebal
adalah solusi terbaik) untuk setiap rangkaian masalah. Tabel 4
mengilustrasikan bahwa GA kami (diberikan olehwGAdanpGA) memperoleh
jumlah rata-rata kendaraan yang lebih baik atau serupa dibandingkan
dengan beberapa metode berbasis GA yang terkenal untuk VRPTW. Kecuali
untuk [31] yang merupakan strategi hibrida (menggabungkan GA, pencarian
tabu dan anil simulasi), kamiwGAkualitas solusi lebih baik atau sangat
kompetitif dengan sebagian besar karya lain yang diterbitkan. Hasil dari
kelipatan kami
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan 27

Meja 2. Solomon Benchmark dengan rentang waktu yang luas: perbandingan GA kami dengan hasil publikasi terbaik.

Data instan Paling dikenal Ref. jumlah wGA kendaraan pGA biaya pGA

√ √ √
c201 3 591.56 [13]
√ √ √
c202 3 591.56 [13]
√ √ √
c203 3 591.17 [21]
√ √ √
c204 3 590.60 [13] 596.55 596.55 596.55
√ √ √
c205 3 588.88 [13]
√ √ √
c206 3 588.49 [13]
√ √ √
c207 3 588.29 [21]
√ √ √
c208 3 588.32 [21]
√ √
r201 4 1252,37 [16] 1276.2 1268.44 71173,75
r202 3 1191.7 [20] 41087.52 41112.59 51046.16
√ √
r203 3 942.64 [16] 952,52 989.11 5 890.50
r204 2 849.62 [25] 3 766.92 3 760.82 3 760.82
√ √
r205 3 994.42 [20] 1036.08 1084.34 5954.16
√ √
r206 3 912,97 [21] 921,32 919,73 4 889.39
r207 2 914.39 [22] 3 821,32 3 825.07 4 822.90
√
r208 2 726.823 [8] 3 738.41 773.13 3 719.17
√ √
r209 3 909.86 [20] 928.93 971.70 5 874,95
√ √
r210 3 939.37 D[26] 983,77 985.38 5 930.42
r211 2 910.09 [16] 3 786.23 3 833,76 4 761.10
√ √
rc201 4 1406,94 [25] 1438.43 1423,73 71306,34
rc202 3 1377.089 [8] 41181,99 41183,88 81118,05
√ √
rc203 3 1060.45 [16] 1078,38 1131,78 5 951.08
√ √
rc204 3 798,46 [8] 810.15 806,44 4 796.14
√ √
rc205 4 1302.42 [16] 1334,83 1352.39 71181,86
√
rc206 3 1153,93 [20] 1203,7 4 1269.64 51080.50
√ √
rc207 3 1062,05 [25] 1093.25 1140.23 5 982.58
√ √
rc208 3 829,69 [20] 912,76 881.20 4 785,93

GA objektif (diberikan olehpGApada Tabel 4) sama-sama bersaing
dengan karya lain yang diterbitkan. Juga pada Tabel 5, ditunjukkan
bahwa GA multi-tujuan kami memberikan jarak terbaik di hampir
semua contoh (lihat angka yang dicetak tebal pada Tabel 5) ketika
mempertimbangkan biaya. Jumlah rata-rata kendaraan yang sesuai
untuk masing-masing jarak dari GA multi-tujuan diberikan dalam tanda
kurung di bawah kolombiaya pGApada Tabel 5. Jumlah rata-rata
kendaraan yang sesuai untuk jarak yang dipublikasikan lainnya pada
Tabel 5 dapat disimpulkan dari Tabel 4.
5. Penutup
Makalah ini menyajikan pendekatan algoritma genetika multi-
tujuan untuk masalah perutean kendaraan dengan jendela
waktu. Kualitas solusi GA kami bersaing dengan solusi terbaik
yang dilaporkan untuk VRPTW oleh peneliti lain. Namun,
kontribusi paling signifikan dari makalah ini adalah
interpretasi kami tentang VRP sebagai MOP. Terjemahan
sederhana kami dari VRPTW menjadi MOP ternyata sangat
efektif. Pertama, kinerjanya sangat bagus. Hasil kami com-
petitif dengan hasil bias kendaraan lainnya dalam literatur. Kedua,
prosedur penilaian Pareto menghalangi kebutuhan untuk
bereksperimen dengan bobot seperti yang dipersyaratkan dalam
pendekatan jumlah tertimbang. Bobot yang dipilih dengan buruk
menghasilkan solusi yang tidak memuaskan, dan hanya setelah banyak
eksperimen, bobot efektif dapat diperoleh untuk instance VRPTW
tertentu.
Mungkin yang paling signifikan, interpretasi MOP kami
tentang VRPTW mewakili pandangan yang berbeda secara
filosofis tentang masalah secara keseluruhan. Ketika VRPTW
dilihat tanpa bias terhadap jumlah kendaraan atau total biaya,
kita diberikan perspektif multi-tujuan yang lebih alami untuk
masalah aplikasi ini. Tidak ada bias yang tidak perlu
dimasukkan ke dalam pencarian. Ini sangat kontras dengan
kebanyakan pekerjaan lain di VRP, di mana jumlah kendaraan
diberikan prioritas implisit, dan akibatnya prosedur penilaian
harus memprioritaskan dimensi masalah ini. Kami mengklaim
bahwa tidak ada keuntungan teoretis atau praktis untuk
memberikan prioritas pada jumlah kendaraan, mungkin selain
memiliki kerangka umum untuk membandingkan hasil peneliti
yang berbeda. Diakui, ada biaya terkait untuk memiliki
28 Ombuki, Ross dan Hanshar

Tabel 3. Solomon Benchmarks: kinerja rata-rata GA kami.

Contoh wGA pGA Contoh wGA pGA

√ √ √ √
C101 C201
√ √ √ √
C102 844.90 C202
√ √ √ √
C103 835.20 830.74 C203 592,98
√ √ √ √
C104 830.26 827,84 C204 601.79 599.39
√ √ √ √
C105 841.57 C205
√ √ √ √
C106 837,78 C206
√ √ √ √
C107 858.87 C207
√ √ √ √
C108 854,53 C208
√ √ √
C109 860.99 R201 1313.23 5.2 1211.76
√
R101 19.6 1693.23 19,7 1690,32 R202 1114,77 5.0 1071.85
√
R102 18.4 1534.15 18.2 1525.46 R203 974,51 4.2 935.33
R103 13,8 1281,32 14,7 1258,65 R204 3 777.37 3.3 775.63
√ √
R104 1035.10 10.9 1038.24 R205 1070.66 4.4 1005.00
√
R105 15 1452.62 14.9 1430.86 R206 949.25 3.7 913.34
R106 12.8 1298.27 13,5 1283,99 R207 3 848.30 3.4 842.36
R107 11 1115,87 11.1 1106,57 R208 3 747.98 2,9 752,66
√
R108 10 990.39 10.5 990.20 R209 955.46 4.0 913.67
√
R109 12,5 1244,87 12.9 1228.71 R210 999.02 4,5 952,58
R110 11.9 1146.11 11.95 1136.38 R211 3 823,34 3.9 791,52
√
R111 11 1132,51 11.6 1094.29 RC201 1492.67 5.8 1362.34
√
R112 10.3 1022.51 10,5 1008,50 RC202 1212.49 5,5 1150,80
√
RC101 15,5 1686,72 15.4 1668.52 RC203 1152.64 4.4 985.90
√
RC102 13,8 1536,04 14.4 1512.34 RC204 826.19 3.2 819.88
√
RC103 12 1350.15 12.1 1329.85 RC205 1378.44 6.1 1264.95
RC104 10.4 1184.29 10.8 1188.13 RC206 3.3 1164.33 4.4 1128.15
RC105 15 1618,63 15,8 1612,76 RC207 3.7 1052.13 4.6 1066.68
RC106 12.8 1450.30 12,95 1427,89 RC208 3 938.24 3.7 861.79

Tabel 4. Perbandingan jumlah rata-rata rute pada Tolok Ukur Solomon dengan hasil publikasi berbasis GA lainnya.

Mengatur [18] (95) [13] (96) [31] (99) [14] (99) [12] (01) [17] (01) [32] (01) [12] (01) [10] (03) wGA pGA (V)

C1 10.0 10.0 10.0 10.0 10.0 10.1 10.1 10.0 10.0 10.0 10.0
C2 3.0 3.0 3.0 3.0 3.0 3.3 3.3 3.0 3.0 3.0 3.0
R1 12.8 12.6 12.3 12.6 12.6 13.2 14.4 12.6 12.8 12,7 12,7
R2 3.2 3.0 3.0 3.1 3.2 5.0 5.6 3.2 3.0 3.2 3.1
RC1 12.5 12.1 12.0 12.1 12.8 13.5 14.6 12.8 13.0 12.3 12.5
RC2 3.4 3.4 3.4 3.4 3.8 5.0 7.0 3.8 3.7 3.4 3.5

lebih banyak kendaraan, dan tenaga kerja terkait untuk
mengemudikannya. Namun, ada juga biaya yang terkait dengan bahan
bakar tambahan dan waktu yang digunakan dalam menggunakan lebih
sedikit kendaraan pada jarak yang lebih jauh ke klien servis. Selain itu,
jumlah kendaraan menjadi kurang penting jika biaya kendaraan dan
tenaga kerja rendah jika menggunakan, misalnya, kurir sepeda.
Dengan mempertimbangkan biaya minimal (jarak), kami mengurangi
konsumsi energi. Pertimbangan ekologis seperti itu bisa dibilang
menjadi perhatian yang berkembang di dunia gas rumah kaca dan
lapisan ozon yang menipis. Bagaimanapun, VRPTW secara alami multi-
tujuan, dan tidak ada dimensi yang secara fundamental
lebih penting daripada yang lain dari perspektif teoretis dan
bahkan dari aspek praktis, dapat diperdebatkan apakah pencarian
optimasi harus bias meminimalkan jumlah kendaraan yang
digunakan seperti yang cenderung dilakukan oleh sebagian besar
penelitian saat ini tentang VRPTW. Oleh karena itu, seperti yang
dapat dilihat dengan hasil kami, pendekatan MOP menghasilkan
satu set solusi VRPTW yang sama validnya. Solusi ini mewakili
berbagai kemungkinan jawaban, dengan jumlah kendaraan dan
biaya yang berbeda. Kami menyerahkannya kepada pengguna
untuk memutuskan jenis solusi mana yang lebih disukai.
 Algoritma Genetika Multi-Objektif untuk Masalah Perutean Kendaraan 29

Tabel 5. Biaya rata-rata relatif pada Tolok Ukur Solomon dengan hasil publikasi berbasis GA lainnya.

Mengatur [18] (95) [13] (96) [31] (99) [14] (99) [15] (01) [17] (01) [32] (01) [12] (01) [10 ] (03) biaya pGA

C1 892.11 838.11 830.89 857.64 867.36 861 860.62 833,32 828.9 828.48(10.0)
C2 749.13 590.00 640,86 624,31 625.40 619 623,47 593.00 589.9 590.60 (3.0)
R1 1300.25 1296.83 1227.42 1272.34 1369,97 1227 1314,79 1203.32 1242.7 1204.48 (13.1)
R2 1124.28 1117.64 1005.00 1053,65 1193.6 980 1093,37 951.17 1016.4 893.03(4.5)
RC1 1474.13 1446.25 1391.13 1417.05 1577.64 1427 1512,94 1382.06 1412.0 1370.79(13)
RC2 1411.13 1368.13 1173,38 1256.80 1377,86 1123 1282.47 1132,79 1201.2 1025,31(5.6)

Pengakuan
Penelitian ini didukung oleh Natural Sciences and Engineering
Research Council of Canada Grant No. 249891-02. Dukungan
ini sangat kami hargai. Penulis ingin mengucapkan terima
kasih kepada tiga wasit anonim dan Mario Ventresca atas
komentar berharga mereka.
Referensi
1. J. Desrosier, Y. Dumas, MM Solomon, dan F. Soumis, "Perutean dan
penjadwalan kendala waktu," diBuku Pegangan dalam Riset
Operasi dan Ilmu Manajemen, Jil. 8,Perutean Jaringan, diedit oleh
MO Ball, T/L Magnanti, CL Monma, GL Nemhauser (eds.). Elsevier
Science Publishers: Amsterdam, hlm. 35–139, 1995.
2. JF Cordeau, G. Desaulniers, J. Desrosiers, MM Solomon, dan F.
Soumis, “VRP dengan jendela waktu,”muncul di Vehicle Routing
Problem, Bab 7, diedit oleh P. Toth dan D. Vigo, SIAM Monographs
on Discrete Mathematics and Applications, 2001.
3. O. Braysy dan M. Gendreau, “Masalah perutean kendaraan dengan
jendela waktu, Bagian 1: Konstruksi rute dan algoritma pencarian lokal,”
SINTEF Applied Mathematics Report, Department of Optimization,
Norway, 2001.
4. O. Braysy dan M. Gendreau, “Masalah perutean kendaraan dengan
jendela waktu, Bagian II: Metaheuristik,”Laporan Matematika Terapan
SINTEF, Departemen Optimasi, Norwegia, 2001.
5. MR Garey dan DS Johnson,Komputer dan Ketangguhan,
Panduan Teori Kelengkapan NP, WH Freeman and Company,
1979.
6. JK Lenstra dan AHG Rinnooy Kan, “Kompleksitas masalah rute kendaraan
dengan jendela waktu,”Jaringan, jilid. 11, hlm. 221–227, 1981.
7. N.Khol. “Metode yang tepat untuk perutean yang dibatasi waktu dan
masalah penjadwalan terkait,” Tesis PhD, Departemen Pemodelan
Matematika, Universitas Teknik Denmark, 1995.
8. LM Gambardella, E. Taillard, dan G. Agazzi, “MACS-VRPTW: A multiple ant
colony system for vehicle routing problem with time windows,” di edit
oleh David Corne, Marco Dorigo, dan Fred Glover, New Ideas in
Optimization , , McGraw-Hill: London, 1999, hlm. 63–76.
9. DE Goldberg,Algoritma Genetika dalam Penelusuran, Pengoptimalan, dan
Pembelajaran Mesin, Addison Wesley, 1989.
10. KQ Zhu. “Algoritme genetik adaptif pengontrol keragaman untuk
masalah perutean kendaraan dengan jendela waktu,” diProsiding
Konferensi Internasional IEEE ke-15 tentang Alat untuk Kecerdasan
Buatan (ICTAI 2003), 2003, hlm. 176-183.
11. B. Ombuki, M. Nakamura, dan O. Maeda, “A hybrid search based on
genetic algorithms and tabu search for vehicle routing,” in6th IASTED
Intl. Kon. Tentang Kecerdasan Buatan dan Komputasi Lunak (ASC 2002),
diedit oleh AB Banff, H Leung, ACTA Press, hlm. 176–181, Juli 2002.
12. H. Wee Kit, J. Chin, dan A. Lim, “Algoritma genetika hibrida untuk masalah
perutean kendaraan,”Jurnal Internasional tentang Alat Kecerdasan
Buatan(muncul).
13. JY Potvin dan S. Bengio, “Masalah perutean kendaraan dengan jendela
waktu—Bagian II: Pencarian genetik,”INFORMS Jurnal Komputasi, jilid. 8,
hlm. 165-172, 1996.
14. O. Braysy, "Algoritme genetika baru untuk masalah perutean kendaraan
dengan jendela waktu berdasarkan hibridisasi algoritme genetika dan
heuristik konstruksi rute," diProsiding Universitas Vaasa, Makalah
Penelitian, p. 227, 1999.
15. KQ Zhu, “Algoritme genetika baru untuk VRPTW,” dalamIC-AI 2000, Las
Vegas, AS.
16. J. Homberger dan H. Gehring. “Dua meta-heuristik evolusioner untuk masalah
perutean kendaraan dengan jendela waktu,”Jurnal INFORMS tentang
Komputasi, jilid. 37, tidak. 3, hlm. 297–318, 1999.
17. KC Tan, LL Hay, dan O. Ke. “Algoritme genetika hibrida untuk memecahkan
masalah perutean kendaraan dengan batasan jendela waktu,”Jurnal Riset
Operasional Asia-Pasifik, jilid. 18, tidak. 1, hlm. 121-130, 2001.
18. S. Thangia. “Perutean kendaraan dengan jendela waktu menggunakan
algoritme genetika,” dalamBuku Pegangan Aplikasi Algoritma Genetika:
Perbatasan Baru, Jil. II, CRC Press, Boca Raton, 1995, hlm. 253–277.
19. WC Chiang dan Russell, "Metaheuristik anil simulasi untuk masalah
perutean kendaraan dengan jendela waktu,"Sejarah Riset Operasi,
jilid. 63, hlm. 3-27, 1996.
20. LM Rousseau, M. Gendreau, dan G. Peasant. “Menggunakan operator berbasis
kendala untuk menyelesaikan masalah perutean kendaraan dengan jendela
waktu,” Jurnal Heuristik(akan datang).
21. Y. Rochat dan ED Taillard. “Diversifikasi dan intensifikasi probabilistik
dalam pencarian lokal untuk rute kendaraan,”Jurnal Heuristik, jilid. 1,
hlm. 147–167, 1995
22. WC Chiang dan Russell. “Metaheuristik pencarian tabu reaktif untuk masalah
perutean kendaraan dengan jendela waktu,”Jurnal INFORMS tentang
Komputasi, jilid. 9, hlm. 417–430, 1997.
23. ED Taillard, P. Badeau, M. Gendreau, F. Gueritin, dan J.-Y Potvi, "Heuristik
pencarian tabu untuk masalah perutean kendaraan dengan jendela
waktu lunak,"Ilmu Transportasi, jilid. 31, hlm. 170–186, 1997.
24. P. Badeau, M. Gendreau, F. Guertin, J.-Y. Potvin, dan ED Taillard, "Heuristik
pencarian tabu paralel untuk masalah perutean kendaraan dengan jendela
waktu,"Penelitian Transportasi-C, jilid. 5, hlm. 109-122, 1997.
25. JF Cordeau, G. Larporte, dan A. Mercier, "Heuristik pencarian tabu
terpadu untuk masalah perutean kendaraan dengan jendela waktu,"
Jurnal Masyarakat Riset Operasional, jilid. 52, hlm. 928–936, 2001.
26. B. De Backer, V. Furnon, P. Shaw, P. Kilby, dan P. Prosser, "Memecahkan
masalah perutean kendaraan menggunakan pemrograman kendala dan
metaheuristik,"Jurnal Heuristik, jilid. 6, hlm. 501–523, 2000.
27. P. Shaw, "Menggunakan pemrograman kendala dan metode pencarian lokal
untuk memecahkan masalah perutean kendaraan," diProsiding Konferensi
Internasional Keempat tentang Prinsip dan Praktik Pemrograman Kendala
(CP'98), diedit oleh M. Maher dan J.-F. Puget, Springer-Verlag, hlm. 417–431,
1998.
28. H. Gehring dan J. Homberger, “Parallelization of a two-phased
metaheuristic for routing problem with time windows,”Jurnal Riset
Operasional Asia-Pasifik, jilid. 18, hlm. 35–47, 2001.
29. JY Potvin dan JM Rousseau, “Algoritma pembuatan rute paralel
untuk rute kendaraan dan masalah penjadwalan dengan jendela
waktu,”Jurnal Riset Operasional Eropa, jilid. 66, hlm. 331–340, 1993.
30 Ombuki, Ross dan Hanshar
30. WC Chiang dan R. Russell, “Hybrid heuristics for the vehicle routing
problem with time windows,”Ilmu Transportasi, jilid. 29, tidak. 2,
1995.
31. SR Thangiah, “Sebuah algoritma genetika hibrida, simulasi anil dan heuristik
pencarian tabu untuk masalah perutean kendaraan dengan jendela waktu,”
diBuku Pegangan Praktis Algoritma Genetika, Volume III: Struktur
Kompleks, diedit oleh L. Chambers, CRC Press, hlm. 347–381, 1999.
32. KC Tan, LH Lee, QL Zhu, dan K.Ou. "Metode heuristik untuk masalah
perutean kendaraan dengan jendela waktu,"Kecerdasan Buatan dalam
Rekayasa, hlm. 281–295, 2001.
33. M. Dorigo dan LM Gambardella, “Sistem Koloni Semut: Pendekatan
pembelajaran kooperatif untuk masalah penjual keliling,”Transaksi
IEEE pada Komputasi Evolusioner, jilid. 1, hlm. 53–66, 1997.
34. CA Coello Coello, DA Van Veldhuizen, dan GB Lamont,Algoritma
Evolusi untuk Memecahkan Masalah Multi-Objektif, Penerbit
Akademik Kluwer, 2002.
35. CM Fonseca dan PJ Fleming. “Ikhtisar algoritma evolusioner
dalam optimasi multiobjektif,”Komputasi Evolusioner, jilid. 3,
tidak. 1, hlm. 1–16, 1995.
36. DA Van Veldhuizen dan GB Lamont, “Algoritma evolusioner
multiobjektif: Menganalisis state-of-the-art,”Komputasi Evolusioner,
jilid. 8, tidak. 2, hlm. 125–147, 2000.
37. K. Deb,Optimasi Multi-objektif menggunakan Algoritma Evolusi,
John Wiley, 2001.
38. E. Zitzler dan L. Thiele, “Algoritma evolusioner multiobjektif: Studi
kasus komparatif dan pendekatan kekuatan Pareto,”Transaksi IEEE
pada Komputasi Evolusioner, jilid. 3, tidak. 4, hlm. 257–271, 1999.
39. J. Knowles dan D. Corne, “Strategi evolusi yang diarsipkan Pareto: Sebuah
algoritma dasar baru untuk optimasi multiobjektif Pareto: NSGA-
II,” dalamProsiding KPK, 1999, hlm. 98–105.
40. K. Deb, S. Agrawa, A. Pratap, dan T. Meyarivan, “Algoritma genetik
pengurutan nondominasi elitis yang cepat untuk optimasi multi-tujuan:
NSGA-II,” dalamProsiding PPSN VI, Springer-Verlag, 2000, hlm. 849– 858.
41. BJ Ross dan H. Zhu, “Evolusi tekstur prosedural menggunakan
optimasi multiobjektif,”Komputasi Generasi Baru, jilid. 22, tidak. 3,
hlm. 271–293, 2004.
42. Z.Michalewicz,Algoritma Genetika+Struktur data=Program Evolusi(
Edisi ketiga), Springer-Verlag: New York, 1998.
43. http://w.cba.neu.edu/msolomon/problems.htm.
44. MM Sulaiman. “Algoritma untuk rute kendaraan dan masalah
penjadwalan dengan batasan jendela waktu,”Operasi pencarian, jilid. 35,
tidak. 2, hlm. 254–265, 1987.