توسعه ی مدل مکانیابی حداکثر پوشش با بهره گیری از رویکردهای اشتراکی و تدریجی

مسئله مکانیابی پوشش یکی از مسائل مهم و پر کاربرد در تصمیمگیری با هدف مکانیابی تسهیلات به منظور پوشش تقاضا است. در سالهای اخیر روشهای مختلفی جهت تعمیم تابع مرسوم پوشش برای توسعهی مدلهای کلاسیک مکانیابی پوشش پیشنهاد شده است. دو فرض مهم مدلهای کلاسیک، پوشش باینری و پوشش تکی هستند که به ترتیب با روشهای پوشش تدریجی و پوشش اشتراکی تعمیم داده میشوند. در پژوهشهایی که تاکنون انجام شده مدلهایی برای مسئله پوشش اشتراکی توسعه داده شده است. به نظر میرسد که مفهوم پوشش اشتراکی میتواند به طور همزمان با پوشش تدریجی نیز در مدل به کار گرفته شود. در این پژوهش، مدل مکانیابی حداکثر پوشش mclp با در نظر گرفتن پوشش اشتراکی (تحت عنوان cmclp) و نیز با در نظر گرفتن همزمان پوشش اشتراکی و تدریجی (تحت عنوان cgmclp) ارائه میشود. بررسی تطبیقی مدل cgmclp پیشنهادی با مدلهای قبلی نشان از عمومیت مدل ارائه شده دارد. همچنین یک مدل عمومی توسعه داده میشود که با تعیین پارامترهای مناسب میتواند به مدل mclp کلاسیک و مدلهای ارائه شده در این پایاننامه (cmclp و cgmcp) تبدیل شود. در ادامه، تحلیل حساسیت و مقایسه بین مدلها در مثالهای عددی بررسی خواهد شد. مقایسه مدلهای gmclp و cmclp با مدل cgmclp نشان میدهد که cgmclp میتواند تقاضای بیشتری را پوشش دهد. در نهایت، مدل مکانیابی- تخصیص حداکثر دسترسی با صفبندی (qmalp)، به عنوان مدلی که دارای ساختار اشتراکی است، با در نظر گرفتن پوشش تدریجی (gq-malap) برای فواصل قطعی و احتمالی توسعه داده میشود. همچنین مدل مکانیابی حداکثر پوشش سلسله مراتبی با ارجاع با در نظر گرفتن پوشش اشتراکی (chmclp(r)) ارائه شده و مورد تحلیل قرار میگیرد. برای حل مدلهای ارائه شده در این پژوهش، از الگوریتمهای فرا ابتکاری تبرید شبیهسازی شده (sa) و جستجوی ممنوع (ts)، برای مسائل با ابعاد بزرگ استفاده میشود. این الگوریتمها با استفاده از مسائل عددی در اندازههای مختلف مورد آزمایش قرار میگیرند. نتایج نشان میدهند که الگوریتمهای فوقالذکر از نظر کیفیت جواب و زمان اجرا عملکرد مناسبی دارند. همچنین مقایسه نتایج دو الگوریتم با یکدیگر نشان میدهد که در مورد مدل gq-malap الگوریتم sa کیفیت حل بهتری دارد در حالیکه الگوریتم ts بسیار سریعتر است. در مدل chmclp(r) نیز الگوریتم sa در زمانهای بسیار کوتاهتری پاسخهای بهتری نسبت به الگوریتم ts میدهد. در سایر موارد، این دو الگوریتم عملکرد مشابه دارند و جوابهای نزدیک به بهینه میدهند.