Fuzzy simheuristics for optimizing transportation systems: Dealing with stochastic and fuzzy uncertainty
Simheurísticas difusas para optimizar los sistemas de transporte: cómo lidiar con la incertidumbre estocástica y difusa
Enlaces del Item
URI: http://hdl.handle.net/10818/62612Visitar enlace: https://www.scopus.com/inward/ ...
ISSN: 20763417
DOI: 10.3390/app11177950
Compartir
Estadísticas
Ver Estadísticas de usoCatalogación bibliográfica
Mostrar el registro completo del ítemAutor/es
Tordecilla, Rafael D.; Martins, Leandro Do C.; Panadero, Javier; Copado, Pedro J.; Perez-Bernabeu, Elena; Juan, Angel A.Fecha
2021Resumen
In the context of logistics and transportation, this paper discusses how simheuristics can be extended by adding a fuzzy layer that allows us to deal with complex optimization problems with both stochastic and fuzzy uncertainty. This hybrid approach combines simulation, metaheuristics, and fuzzy logic to generate near-optimal solutions to large scale NP-hard problems that typically arise in many transportation activities, including the vehicle routing problem, the arc routing problem, or the team orienteering problem. The methodology allows us to model different components– such as travel times, service times, or customers’ demands–as deterministic, stochastic, or fuzzy. A series of computational experiments contribute to validate our hybrid approach, which can also be extended to other optimization problems in areas such as manufacturing and production, smart cities, telecommunication networks, etc. © 2021 by the authors. Licensee MDPI, Basel, Switzerland. En el contexto de la logística y el transporte, este artículo analiza cómo se pueden ampliar las simheurísticas agregando una capa difusa que nos permita abordar problemas de optimización complejos con incertidumbre tanto estocástica como difusa. Este enfoque híbrido combina simulación, metaheurística y lógica difusa para generar soluciones casi óptimas a problemas NP-difíciles a gran escala que normalmente surgen en muchas actividades de transporte, incluido el problema de rutas de vehículos, el problema de rutas en arco o el problema de orientación de equipos. La metodología nos permite modelar diferentes componentes, como tiempos de viaje, tiempos de servicio o demandas de los clientes, como deterministas, estocásticos o difusos. Una serie de experimentos computacionales contribuyen a validar nuestro enfoque híbrido, que también puede extenderse a otros problemas de optimización en áreas como la fabricación y la producción, ciudades inteligentes, redes de telecomunicaciones, etc. © 2021 de los autores. Licenciatario MDPI, Basilea, Suiza.
Ubicación
Applied sciences, Vol.11 (17), p.7950, Article 7950
Colecciones a las que pertenece
- Facultad de Ingeniería [501]