SOLVING CAPACITATED LOCATION ROUTING PROBLEM BY VARIABLE NEIGHBORHOOD DESCENT AND GA-ARTIFICIAL NEURAL NETWORK HYBRID METHOD

摘要

Bu çalışma, bir otomotiv yedek parça firması için gelecek talepleri göz önüne alarak optimal depo yerlerini ve araç rotalarını bulmayı amaçlamaktadır. Çeşitli metot/arın uygulandığı Kapasite Kısıtlı Yer Seçimi ve Rotalama (KKYSR) problemi Yapay Sinir Ağlarını (YSA) kullanarak, optimal depo yerlerini ve araç rotalarını bulmak için uygulanmıştır. Daha düşük ulaştırma maliyeti sağlayan, yeni çok aşamalı bir yaklaşım, KKYSR probleminde yürütülmüştür. İlk olarak, müşteri talebi için önemli olan faktörler tek değişkenli analiz ile test edildikten sonra, girdiler tahmin aşamasında kullanılmıştır. Daha sonra, Genetik Algoritma (GA) ve YSA hibrit-lenmiş ve gelecek talep verisini sağlamak için uygulanmıştır. Depo yerleri ve araç rotaları Alçalan Değişken Komşuluk (ADK) algoritması kullanılarak belirlenmiştir. Rotalama ya da yer tipinin olduğu 5 komşuluk yapısı hem sallama hem de yerel arama adımında uygulanmıştır. GA-ANN ve ADK ilgili adımlarda başarı ile yürütülmüştür. Uygulanan ADK algoritması sayesinde, firma mevcut yıl için ulaştırma maliyetini %2.35 düşürmekte ve 10 yıl sonrası için en iyi ve en kötü müşteri talebi durumlarını değerlendirerek optimal depo yerlerinin belirlenmesi ve araçların rotalanması imkanı vermektedir.%This paper aims to find the optimal depot locations and vehicle routings for spare parts of an automotive company considering future demands. The capacitated location-routing problem (CLRP), which has been practiced by various methods, is performed to find the optimal depot locations and routings by additionally using the artificial neural network (ANN). A novel multi-stage approach, which is performed to lower transportation cost, is carried out in CLRP. Initially, important factors for customer demand are tested with an univariate analysis and used as inputs in the prediction step. Then, genetic algorithm (GA) and ANN are hybridized and applied to provide future demands. The location of depots and the routings of the vehicles are determined by using the variable neighborhood descent (VND) algorithm. Five neighborhood structures, which are either routing or location type, are implemented in both shaking and local search steps. GA-ANN and VND are applied in the related steps successfully. Thanks to the performed VND algorithm, the company lowers its transportation cost by 2.35% for the current year, and has the opportunity to determine optimal depot locations and vehicle routings by evaluating the best and the worst cases of demand quantity for ten years ahead.