ادغام يادگيري عميق با دوتا الگوريتم

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..