ادغام يادگيري عميق با دوتا الگوريتم
یک ماه پیش منتشر شده
تعداد بازدید: 109
کد پروژه: 581048
شرح پروژه
ما یک رویکرد جدید برای حل مسئله مکان‌یابی هاب میانه تک تخصیصی بدون ظرفیت با استفاده از یک معیار ریسک‌گریز مبتنی بر میانگین بتا (β-mean) و چارچوب‌های الگوریتمی مبتنی بر یادگیری ماشین پیشنهاد می‌کنیم. به طور خاص، ما کیفیت راه‌حل را با ادغام DLHr در انتخاب هاب‌های بالقوه مبتنی بر خوشه‌بندی (CBS) برای توسعه یک الگوریتم جدید به نام انتخاب مبتنی بر خوشه‌بندی مبتنی بر یادگیری عمیق (DL-CBS) و همچنین در جستجوی همسایگی متغیر عمومی (GVNS) برای توسعه یک الگوریتم جدید به نام جستجوی همسایگی متغیر عمومی مبتنی بر یادگیری عمیق (DL-GVNS) بهبود می‌بخشیم. این مطالعه عدم قطعیت تقاضا را در نظر می‌گیرد و از معیار بتای ریسک‌گریز استفاده می‌کند که منجر به انتخاب هاب بهینه و تخصیص گره می‌شود. نتایج محاسباتی نشان می‌دهد که ترکیب معیار بتای ریسک‌گریز با DL-CBS و DL-GVNS می‌تواند کیفیت راه‌حل مسئله مکان‌یابی هاب میانه تک تخصیصی بدون ظرفیت را در مقایسه با رویکردهای سنتی تا حد زیادی بهبود بخشد..
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
5روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت یازده ماه پیش
