No abstract

No abstract

No abstract

No abstract

No abstract

The aim of the quay crane scheduling problem (QCSP) is to identify the best sequence of discharging and loading operations for a set of quay cranes. This problem is solved with a new hybrid estimation of distribution algorithm (EDA). The approach is proposed to tackle the drawbacks of the EDAs, i.e., the lack of diversity of solutions and poor ability of exploitation. The hybridization approach, used in this investigation, uses a distance based ranking model and the moth-flame algorithm. The distance based ranking model is in charge of modelling the solution space distribution, through an exponential function, by measuring the distance between solutions; meanwhile, the heuristic moth-flame determines who would be the offspring, with a spiral function that identifies the new locations for the new solutions. Based on the results, the proposed scheme, called QCEDA, works to enhance the performance of those other EDAs that use complex probability models. The dispersion results of the QCEDA scheme are less than the other algorithms used in the comparison section. This means that the solutions found by the QCEDA are more concentrated around the best value than other algorithms, i.e., the average of the solutions of the QCEDA converges better than other approaches to the best found value. Finally, as a conclusion, the hybrid EDAs have a better performance, or equal in effectiveness, than the so called pure EDAs.

This paper considers solving more than one combinatorial problem considered some of the most difficult to solve in the combinatorial optimization field, such as the job shop scheduling problem (JSSP), the vehicle routing problem with time windows (VRPTW), and the quay crane scheduling problem (QCSP). A hybrid metaheuristic algorithm that integrates the Mallows model and the Moth-flame algorithm solves these problems. Through an exponential function, the Mallows model emulates the solution space distribution for the problems; meanwhile, the Moth-flame algorithm is in charge of determining how to produce the offspring by a geometric function that helps identify the new solutions. The proposed metaheuristic, called HEDAMMF (Hybrid Estimation of Distribution Algorithm with Mallows model and Moth-Flame algorithm), improves the performance of recent algorithms. Although knowing the algebra of permutations is required to understand the proposed metaheuristic, utilizing the HEDAMMF is justified because certain problems are fixed differently under different circumstances. These problems do not share the same objective function (fitness) and/or the same constraints. Therefore, it is not possible to use a single model problem. The aforementioned approach is able to outperform recent algorithms under different metrics for these three combinatorial problems. Finally, it is possible to conclude that the hybrid metaheuristics have a better performance, or equal in effectiveness than recent algorithms.

ResumenAunque los algoritmos de estimación de distribuciones fueron originalmente diseñados para resolver problemas con dominio de valores reales o enteros, en esta contribución se utilizan para la resolución de un problema basado en permutaciones. El ruteo de autobuses escolares con selección de paradas es resuelto utilizando la distribución generalizada de Mallows como un intento para describir y obtener una distribución de probabilidad explicita sobre un conjunto de rutas de autobuses escolares. Además, un operador de mutación es considerado para mejorar la estimación de la permutación central, un parámetro de la distribución de Mallows. Diferentes y diversas instancias sirvieron como parámetro de entrada y prueba para mostrar que problemas basados en permutaciones tales como el ruteo de autobuses escolares con selección de paradas pueden ser resueltos por medio de un modelo de probabilidad, y mejorar la estimación de la permutación central ayuda al desempeño del algoritmo.Palabras Clave: Algoritmo de estimación de distribuciones, distribución de Mallows, problema de ruteo de vehículos, problema de ruteo de autobuses escolares. IntroducciónBásicamente, el problema del ruteo de autobuses escolares con selección de paradas SBRP (por sus siglas en inglés School Bus Routing Problem) consiste en encontrar una eficiente secuencia de rutas para una flota de autobuses escolares que recogen estudiantes en diversas paradas y los dejan en su escuela satisfaciendo varias restricciones tales como capacidad máxima del autobús, tiempo máximo para recoger a los estudiantes, y el tiempo límite para llegar a la escuela. Por lo tanto, el SBRP es un tema de investigación logística y puede ser considerado como un problema combinatorio realista.Una variante del SBRP llamada SBRP con selección de paradas SBRPBSS (por sus siglas en inglés School Bus Routing Problem with Bus Stop Selection), se tiene cuando hay un conjunto de paradas potenciales de autobús, de tal manera que cada estudiante vive a r metros de al menos alguna de ellas. Así, determinar el conjunto de paradas de autobús que realmente se deben visitar es una parte del problema (Schittekat et al., 2013).El SBRPBSS puede ser visto como un caso especial del problema de ruteo de vehículos con capacidad finita CVRP (por sus siglas en inglés Capacitated Vehicle Routing Problem), un problema NP-hard (por sus siglas en inglés Non-deterministic Polynomial-time), donde un conjunto de n nodos o vértices (las paradas a visitar) está dado con una demanda especifica (los estudiantes) los cuales deben ser atendidos por una flota de vehículos (los autobuses escolares) con capacidad limitada. Sin embargo se discute que existe un conjunto de paradas potenciales en este artículo, de las cuales se debe definir cuáles de ellas en realidad su ocuparan.En esencia, el SBRPBSS tiene tres aspectos distintos pero relacionados entre sí: (1) determinar el conjunto de paradas a visitar, (2) establecer para cada estudiante a qué parada deberá dirigirse a esperar un autobús, y (3) diseñar rutas con las...