Mathematical Modeling And Computing. – 2021. – Vol. 8, No. 4

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/60431

Науковий журнал

Засновник і видавець Національний університет «Львівська політехніка», Центр математичного моделювання Інституту прикладних проблем механіки і математики імені Я. С. Підстригача НАН України. Виходить двічі на рік з 2014 року.

Mathematical Modeling and Сomputing : [the scientific-technical journal] / Lviv Politechnic National University, Centre of mathematical Modeling of IAPMM hamed after Ya. S. Pidstryhach Ukrainian National Academy of Sciences ; editor-in-chief Yuriy Bobalo. – Lviv, 2021. – Volume 8, number 4. – 288 p. : il.

Зміст


573
584
601
616
627
638
646
658
665
678
691
705
716
726
736
747
761
770
783
797
807
821
830
842
855

Content (Vol. 8, No 4)


573
584
601
616
627
638
646
658
665
678
691
705
716
726
736
747
761
770
783
797
807
821
830
842
855

Browse

Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    A modified choice function hyper-heuristic with Boltzmann function
    (Видавництво Львівської політехніки, 2021-03-01) Меллулі, О.; Гафіді, І.; Метране, А.; Mellouli, O.; Hafidi, I.; Metrane, A.; Університет Султана Мулая Слімана; University Sultan Moulay Slimane
    Гіпер-евристика — це підклас методів дослідження високого рівня, які функціонують у просторі евристичних досліджень низького рівня. Їхня мета — покращити рівень загальності для розв’язування задач комбінаторної оптимізації за допомогою двох основних компонентів: методології евристичного вибору та критерію прийнятності ходу для забезпечення інтенсифікації та диверсифікації [1]. Таким чином, замість того, щоб безпосередньо працювати над розв’язками задачі та обирати один з них, щоб перейти до наступного кроку на кожному етапі, гіпер-евристика діє у просторі евристичного дослідження низького рівня. Функція вибору є однією з гіпер-евристик, які довели свою ефективність у розв’язанні задач комбінаторної оптимізації [2–4]. На кожній ітерації вибір евристики залежить від оцінки, обчисленої шляхом поєднання трьох різних показників, щоб гарантувати як інтенсифікацію, так і диверсифікацію процесу вибору евристики. Тому для розв’язуванн задачі вибирається евристика з найвищим балом. Отже, ключем до успіху в виборі функції є вибір правильних вагових параметрів для трьох її мір. У цій роботі виконано сучасне гіперевристичне дослідження та запропоновано новий метод, який автоматично керує цими ваговими параметрами на основі функції Больцмана. Проведено порівняння результатів, отриманих внаслідок його застосування до п’яти предметних областей, з результатами методу стандартної модифікованої функції вибору, які запропоновані Дрейком та ін. [2, 3].
  • Thumbnail Image
    Item
    A modified adaptive large neighbourhood search for a vehicle routing problem with flexible time windows
    (Видавництво Львівської політехніки, 2021-03-01) Лабдіад, Ф.; Насрі, М.; Хафіді, І.; Халфі, Х.; Labdiad, F.; Nasri, M.; Hafidi, I.; Khalfi, H.; Університет Султана Мулая Слімана; University Sultan Moulay Slimane
    Задачі з маршрутизацією транспортних засобів широко доступні в сучасних застосунках. У цій статті розв’язано конкретний варіант цієї задачі, який в літературі називається задачею маршрутизації транспортних засобів з гнучкими тимчасовими вікнами (VRPFlextW), коли розв’язок має задовольняти декілька додаткових обмежень, таких як врахування подорожі, сервісу та часу очікування з обмеженнями часових вікон. Запропоновано дві модифіковані версії багатоцільового адаптивного пошуку великого околу (MOALNS), описано підходи MOALNS та його компоненти, проведено обчислювальне порівняння між версіями MOALNS та Optimiser Colony (ACO) для деяких випадків VRPFlexTW.
  • Thumbnail Image
    Item
    PSOBER: PSO based entity resolution
    (Видавництво Львівської політехніки, 2021-03-01) Аассем, Й.; Гафіді, І.; Халфі, Г.; Абутабіт, Н.; Aassem, Y.; Hafidi, I.; Khalfi, H.; Aboutabit, N.; Університет Султана Мулая Слімана; Sultan Moulay Slimane University
    Пов’язування об’єктів — це задача зіставлення записів у базі даних з відповідними об’єктами. Задача пов’язування об’єктів є множиною задач через відсутність повної інформації в записах, варіантний розподіл записів для різних об’єктів, а іноді і перекривання записів різних об’єктів. У цій роботі запропоновано метод вирішення цієї проблеми без необхідності зовнішнього контролю. Вищезгадана задача подається як задача про розбиття. Після цього, запропоновано методику на основі алгоритму оптимізації для вирішення задачі пов’язування об’єктів. Запропонований підхід дозволяє визначити розподіл записів за категоріями. Порівняльний аналіз із генетичним алгоритмом за наборами даних доводить ефективність запропонованого підходу.