Математические модели и методы решения задач оптимизации сезонных грузоперевозок

• Автор: Семенов, Михаил Федорович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 1999
• Место защиты: Новосибирск
• Количество страниц: 77 с.

1. Поиск оптимальной схемы снабжения

1.1. Постановка проблемы

1.2. Выбор способов доставки продукта.

1.2.1. Математическая постановка многокритериальной задачи

1.2.2. Задача нахождения допустимых весов

1.3. Определение объемов перевозок

1.4. Определение набора ТС.

1.5. Попутные рейсы

1.6. Программная реализация

2. Определение количества ТС на каждом участке

транспортной сети .

2.1. Математическая постановка задачи
2.2. Алгоритм решения
2.3. Оценка эффективности метода.
ГЛАВА 2. Оптимизация грузоперевозок по ациклической сети
3. Оптимизация расписания движения ТС в
однородном случае
3.1. Постановка задачи.
3.2. Алгоритм решения
3.3. Оценка эффективности алгоритма Ач
3.4. Программа, реализующая алгоритм Ач
4. Оптимизация движения разнотипных ТС
4.1. Исходные замечания и постановка задачи
4.2. Построение допустимого решения
4.3. О принципах минимизации количества
используемых ТС.
4.4. Оценка эффективности метода ТС.
4.5. Апостериорный анализ
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Среди ОТтрудных полных задач существуют проблемы позволяющие решить их за время, ограниченное полиномом от двух характеристик длины записи входной информации и максимального значения
числового параметра. Такие алгоритмы называются псевдополиномиалъными. Представителями последнего класса являются, например, алгоритм динамического программирования для задачи о ранце 4, 5, алгоритм Форда Фалкерсона 1, для задачи о максимальном потоке, алгоритм решения задачи разбиения и многие другие. На практике такие алгоритмы очень часто являются вполне приемлемыми для решения реальных задач. Если же для ХРтрудной задачи не удается построить ни полиномиальный, ни псевдополиномиальный алгоритм, то часто разумно разработать приближенный эффективный алгоритм. И здесь важно найти оценку сверху на погрешность получаемого решения. Иногда эту оценку удается установить заранее априори для целого класса задач, и такие оценки называются априорными, а соответствующие алгоритмы субоптималъными. В общем же случае такие оценки получить не удается и для установления погрешности пользуются численными экспериментами, устанавливая погрешность уже после решения задачи апостериори. Последний подход, после представительного численного анализа, дает апостериорную оценку точности исследуемого приближенного алгоритма. Самый же простой и часто используемый подход для решения сложных практических задач это применение некоторых эвристических приближенных алгоритмов и сравнение получаемых результатов с решениями, строящимися другими методами или на основе опыта и здравого смысла. Такой подход часто оказывается наиболее приемлемым для практического применения, т.