Rješavanje problema usmjeravanja električnih vozila korištenjem genetskih algoritama

master's thesis

• Title (english): Solving electric vehicle routing problem using genetic algorithms
• Author: Marin Ovčariček
• Mentor: Marko Đurasević (mentor)
• Committee member: Marko Đurasević (predsjednik povjerenstva)
• Committee member: Domagoj Jakobović (član povjerenstva)
• Committee member: Željka Mihajlović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-07-06, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

U ovom radu predstavljen je problem usmjeravanja električnih vozila čije je rješavanje bitno za maksimiziranje profita uslužnih djelatnost te genetski algoritam kojime će se taj problem rješavati. Objašnjene su komponente i sam tok općenitog genetskog algoritma te prilagođene implementacije. U predanalizi su optimirani hiperparametri veličine populacije , stope mutacije, vrste križanja i vrste mutacije. S dobivenim vrijednostima uspoređene su performanse genetskog algoritma naspram običnog algoritma najbližeg susjeda po više kriterija. Na kraju se radi analiza i prikaz pada funkcije kazne kroz iteracije algoritma za razne tipove instanci.
će se taj problem rješavati. Objašnjene su komponente i sam tok općenitog genetskog
algoritma te prilagođene implementacije. U predanalizi su optimirani hiperparametri veličine populacije , stope mutacije, vrste križanja i vrste mutacije. S dobivenim
vrijednostima uspoređene su performanse genetskog algoritma naspram običnog algoritma najbližeg susjeda po više kriterija. Na kraju se radi analiza i prikaz pada funkcije
kazne kroz iteracije algoritma za razne tipove instanci.

Abstract (english)

In this thesis Electric vehicle problem, a problem whose solution is important for
maximizing profit of service activities is introduced along with Genetic algorithm
which is used for solving it. Components and flow of a general Genetic algorithm
and its implementation are explained. In the preanalisys phase population size, muta-
tion chance, crossover and mutation hyperparameters are optimized. Resulting values
are then used to compare the Genetic algorithm’s performance to one of basic Nearest
neighbor algorithm by multiple criteria. Finally, analisys of cost function’s decline
through iterations is performed on different types of instances.

• Keywords: Genetski algoritam; problem usmjeravanja električnih vozila; vremenski okviri
• Keywords (english): Gentic algorithm; electric vehicle routing problem; time windows
• Language: croatian
• URN:NBN: urn:nbn:hr:168:950335
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 09:37:40