Professional Documents
Culture Documents
Ilpbook
Ilpbook
อ.ดร.ภัทรพง ์ ภาคภูมิ
15 มีนาคม พ. . 2563
2
1 บทนำ 9
3
4 ารบัญ
ii. มี ค ามรู้ และค ามเข้าใจเกี่ย กับ ลัก การที่ าคัญ ทั้ง ในเชิง ทฤ ฎี และปฏิบัติ ในเนื้อ าของ าขา ิชา
เฉพาะด้านทาง ิ กรรม และทางด้านโลจิ ติก ์ ามารถนาไปประยุกต์ใช้ในการ างแผนและแก้ปัญ า
ในกิจกรรมด้านโลจิ ติก ์ได้
ประเมินจากการ อบภาคทฤ ฎีและปฏิบัติในราย ิชาที่เกี่ย ข้อง
ประเมินจากรายงานของนิ ิต และการนำเ นอ น้าชั้นเรียน
รายงานและการนำเ นอ น้าชั้นเรียน 5%
iii. ามารถบูรณาการค ามรู้ใน าขา ิชาที่ ึก ากับค ามรู้ใน า ตร์อื่น ๆ ที่เกี่ย ข้อง
iv. ามารถ ิเคราะ ์ และแก้ไขปัญ า ด้ ย ิธี การที่ เ มาะ ม ร มถึง การประยุกต์ ใช้ เครื่องมือ ที่ เ มาะ ม
เช่น โปรแกรมคอมพิ เตอร์ เป็นต้น
v. ามารถใช้ค ามรู้และทัก ะใน าขา ิชาของตน ในการประยุกต์แก้ไขปัญ าในงานจริงได้
เยี่ยมชม ถานประกอบการเพื่อ ึก าดูงานจริง 3%
(c) ทัก ะทางปัญญา
i. มีค ามคิดอย่างมี ิจารณญาณที่ดี
ประเมินผลจากการแก้ ถานการณ์ที่ เกิดขึ้นในระ ่างการเรียน การ อน เช่น การแก้ปัญ าโจทย์
การตอบซักถามคำถาม 5 %
ประเมินผลจากการทำรายงานและงานที่ได้รับมอบ มาย 15%
ii. ามารถร บร ม ึก า ิเคราะ ์ และ รุปประเด็นปัญ าและค ามต้องการ
iii. ามารถคิด ิเคราะ ์ และแก้ไขปัญ าด้าน ิ กรรมได้ อย่างมี ระบบ ร มถึง การใช้ ข้อมูล ประกอบการ
ตัด ินใจในการทำงานได้อย่างมีประ ิทธิภาพ
iv. ามารถ ืบค้นข้อมูลและแ ง าค ามรู้เพิ่มเติมได้ด้ ยตนเอง เพื่อการเรียนรู้ตลอดชี ิต และทันต่อการ
เปลี่ยนแปลงทางองค์ค ามรู้และเทคโนโลยีใ ม่ๆ
(d) ทัก ะค าม ัมพันธ์ระ ่างบุคคลและค ามรับผิดชอบ
i. ามารถ ื่อ ารกับ กลุ่ม คนที่ ลาก ลาย และ ามารถ นทนาทั้ง ภา าไทยและภา าต่างประเท ได้
อย่างมี ประ ิทธิภาพ ามารถใช้ค ามรู้ใน าขา ิชาชีพมา ื่อ ารต่อ ังคมได้ในประเด็นที่เ มาะ ม
การแ ดงค ามคิดเ ็นจากการถาม ตอบในชั้นเรียน 2%
ii. ามารถเป็น ผู้ ริเริ่ม แ ดงประเด็น ในการแก้ไข ถานการณ์ เชิง ร้าง รรค์ ทั้ง ่ นตั และ ่ นร ม พร้อม
ทั้ง แ ดงจุดยืน อย่างพอเ มาะทั้ง ของตนเองและของกลุ่ม ร มทั้ง ใ ้ ค ามช่ ยเ ลือ และอำน ยค าม
ะด ก ในการแก้ไขปัญ า ถานการณ์ต่าง ๆ
iii. ามารถ างแผนและรับ ผิด ชอบในการพัฒนาการเรียนรู้ ทั้ง ของตนเอง และ อดคล้องกับ ทาง ิชาชีพ
อย่างต่อเนื่อง
iv. รู้จัก บทบาท น้าที่ และมี ค ามรับ ผิด ชอบในการทำงานตามที่ มอบ มาย ทั้ง งานบุคคลและงานกลุ่ม
ามารถปรับตั และทำงานร่ มกับผู้อื่นทั้งในฐานะผู้นำและผู้ตามได้อย่างมีประ ิทธิภาพ ามารถ างตั
ได้อย่างเ มาะ มกับค ามรับผิดชอบ
(e) ทัก ะการ ิเคราะ ์เชิงตั เลข การ ื่อ าร และการใช้เทคโนโลยี าร นเท
i. มีทัก ะในการใช้คอมพิ เตอร์ ำ รับการทำงานที่เกี่ย ข้องกับ ิชาชีพได้เป็นอย่างดี
ค ามถูกต้องของคำตอบที่เกิดจากการ ใช้คอมพิ เตอร์ในการประม ลผล
อบใช้คอมพิ เตอร์ 10%
ii. ามารถประยุกต์ใช้เทคโนโลยี าร นเท และการ ื่อ าร ที่ทัน มัยได้อย่างเ มาะ มและมีประ ิทธิภาพ
0.1. ประมวลการ อน 7
7. ธิ ีการ อน
การบรรยาย อภิปราย ึก าค้นค ้าด้ ยตนเอง การทำการบ้าน การทำงานกลุ่ม
(a) A 80+
(b) B 70+
(c) C 60+
(d) D 50+
14. office hours จันทร์ และพุธ เ ลา 89 และ พุธ เ ลา 15 16 (by appointment only นัด เ ลาเข้า พบ ลัง เรียน
เท่านั้น) คำถาม รือข้อ ง ัยต่างๆ ที่เกี่ย กับการเรียนการ อนใ ้ถามโดยตรงกับอ.ผู้ อนระ ่างเรียน ลังเรียน
รือที่ภาค ิชาเท่านั้น
15. ตารางเรียนโดยประมาณ
(a) Decision model
ัปดา ์ที่ 12
(b) Linear Programming
ัปดา ์ที่ 3
(c) Mixed Integer Linear Programming
ัปดา ์ที่ 47 ( อบกลางภาค ัปดา ์ถัดไป)
(d) Heuristic Algorithms
ัปดา ์ที่ 89
(e) Metaheuristic Algorithms
ัปดา ์ที่ 10
(f) Genetic Algorithm
ัปดา ์ที่ 11
(g) Vehicle Routing Problems
ัปดา ์ที่ 12
(h) Containership Storage Planning Problem
ัปดา ์ที่ 13
(i) Other Selected Topics
ัปดา ์ที่ 1415
บทที่ 1
บทนำ
ำ รับ ปัญ าโลจิ ติก ์ การ าคำตอบเชิง ปริมาณด้ ย ลัก การทางคณิต า ตร์ ที่ เป็น คำตอบที่ ดี ที่ ุด รือ คำตอบที่ เ มาะ
มในระยะเ ลาที่เ มาะ ม เริ่มได้ด้ ยการ ร้างแบบจำลองทางคณิต า ตร์ เพื่อจำลอง ถานการณ์ ซึ่ง ามารถแบ่งได้เป็น
ลายแบบ ตามแต่ลัก ณะของปัญ าและ ัตถุประ งค์ของงานเช่น
1. linear model
2. mixed integer linear model
3. nonlinear model
4. nonlinear mixed integer model
9
10 บทที่ 1. บทนำ
1. heuristic เรียก ิธีการ าคำตอบที่ใช้เฉพาะปัญ า เช่น ิธีการ greedy รือ nearest neighbor ำ รับปัญ า การ
เดินทางของเซลแมน ิธีการ Clarke and Wright saving algorithm ำ รับปัญ า vehicle routing algorithm
2. metaheuristic เรียก ิธีการ าคำตอบที่ใช้กับ ลาก ลายปัญ า โดยมี ลักการ ำ รับการประยุกต์ใช้ ใน ลายครั้ง
ลักการเ ล่านี้เป็นการลองเลียน ลักธรรมชาติ เช่น genetic algorithm, similated annealing, และ ant colony
optimization
ตั อย่าง 2.0.1. ตั อย่าง GAMS code ำ รับปัญ าโจน ์ชา ไร่ Jones the Farmer.gms 2.1.2
รูปที่ 2.1: โค๊ดโปรแกรม GAMS ของปัญ าชา ไร่โจน ์ Jones the Farmer
1. ใ ้ ตั แปรที่ เป็น บ ก(และ ูนย์) เป็น positive variable เช่น x1 และ x2 จากนั้น ตามด้ ยค าม มายของตั แป
รนั้นๆ (optional)
11
12 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
3. ค่า มการเป้า มาย objective function z ต้องกำ นดใ ้เป็นตั แปรฟรีเ มอ (free variable) ซึ่งเขียน ั้นๆได้ ่า
variable
4. ถ้าเราแยกใ ้คำ ั่งแต่งตั้งตั แปร x1 และ x2 จะได้ดังนี้ (ต้องมี semicolon ทั้ง องแ ่ง)
7. เราใ ้ ชื่อ โมเดลเป็น ชื่อ ได้ ก็ได้ ที่ ไม่ ซ้ำ กับ คำที่ GAMS ง นไ ้ reserved (คำที่ ง นไ ้ เช่น positive, variable,
equation, model, etc.) และตามด้ ยชื่อของข้อจำกัดทั้ง มดที่เราต้องการในโมเดลข้างใน slash ถ้าเราเอาทุกข้อ
จำกัดที่มีทั้ง มดตั้งแต่ต้นเรา ามารถใช้คำ ่า all แทนได้
8. solve statement แ ดงถึงรูปแบบโมเดลที่เ มาะ ม(ในที่นี้คือกำ นดการเชิงเ ้น linear program:lp) และทิ ทาง
min รือ max ของปัญ า (sense) ตามรูปแบบดังนี้
13
9. รือดังนี้
ในตั อย่างถัดไป การเขียนโมเดลใน GAMS จะแยกค่าพารามิเตอร์และ index ออกจากตั โมเดล ลักเพื่อ ง่ายต่อการ
ปรับค่าต่างๆนั้นในภาย ลัง รือเมื่อโมเดลมีค ามซับซ้อนขึ้น
ตั อย่าง 2.0.2. ตั อย่าง GAMS code ำ รับปัญ า transport.gms [4]
1. Sets เป็นการใ ้ชื่อของเซ็ต และใ ้ มาชิก ในตั อย่างนี้คือเซ็ต i และเซ็ต j โดยเซ็ต i มี มาชิก องตั คือ seattle กับ
sandiego ังเกต ่าชื่อของ มาชิกแต่ละตั จะต้องเขียนติดเป็นคำเดีย กัน
ชั่ โมง และแรงงานช่างไม้ 1 ชั่ โมง รถไฟแต่ละตั ใช้ การตกแต่ง 1 ชั่ โมง และแรงงานช่างไม้ 1 ชั่ โมง ในแต่ละ ัปดา ์
บริ ัท Giapetto’s Woodcarving ามารถ า ัตถุดิบได้อย่างเพียงพอ แต่มีแรงงานตกแต่ง 100 ชั่ โมงและแรงงานช่างไม้
80 ชั่ โมง รถไฟมี demand ไม่จำกัดแต่ ุ่นท ารขายได้ไม่เกิน 40 ตั ต่อ ัปดา ์ บริ ัท Giapetto’s Woodcarving ต้องการ
ได้กำไรต่อ ัปดา ์ที่ ูงที่ ุด (รายได้ต้นทุน) จงเขียนโมเดลทางคณิต า ตร์เป็นกำ นดการเชิงเ ้นจำลอง ถานการณ์ที่ บริ ัท
Giapetto’s Woodcarving จะใช้ ากำไรที่ ูง ุด
ิธีทำ
เรา ามารถกำ นดใ ้ x1 แทนจำน นการผลิต ุ่นท าร x2 แทนจำน นการผลิต ุ่นรถไฟ ข้อมูลร มกันทั้ง มดจะได้
แบบจำลองทางคณิต า ตร์ ดังนี้
แบบฝึก ัด 2.1.2. [14] โจนาชา ไร่ต้องการ าปริมาณพื้นที่ที่เ มาะ ม ที่จะปลูกข้า โพดและธัญพืช ำ รับปีการเพาะปลูก
นี้ พื้นที่ ปลูก ธัญพืช 1 เอเคอร์ ใ ้ ผลผลิต 25 บุ ชเชลและใช้ แรงงาน 10 ชั่ โมงต่อ ัปดา ์ พื้นที่ ปลูก ข้า โพด 1 เอเคอร์ ใ ้
ผลผลิต 10 บุชเชลและใช้แรงงาน 4 ชั่ โมงต่อ ัปดา ์ ธัญพืช 1 บุชเชลขายได้ในราคา 4 ดอลลาร์ ข้า โพด 1 บุชเชลขายได้
ในราคา 3 ดอลลาร์ พื้นที่เพาะปลูกมีอยู่ทั้ง ิ้นอยู่ 7 เอเคอร์และมีแรงงานอยู่ 40 ชั่ โมงต่อ ัปดา ์ รัฐบาลกำ นดใ ้ชา น
แต่ละรายต้องมี ผลผลิต ข้า โพดอย่างน้อย 30 บุ ชเชลในฤดูกาลนี้ ใ ้ x1 เป็น ปริมาณพื้นที่ เพาะปลูก ของข้า โพด และ x2
เป็นปริมาณพื้นที่เพาะปลูกของธัญพืช ใช้ตั แปรตัด ินใจนี้ในการ ร้างกำน ดการเชิงเ ้นที่จะ า คำตอบใ ้กับโจนาเพื่อที่จะ
ารายได้ที่ ูงที่ ุดจากข้า โพดและธัญพืชนี้
ิธีทำ เรา ามารถนำข้อมูลข้างต้นมาเขียนลงมนตารางได้ดังนี้
จากตาราง 2.1 เราจะได้กำ นดการเชิงเ ้นดังนี้
16 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
max z = cx (2.3a)
s.t. Ax ≤ b (2.3b)
x≥ 0, and xi integer for some i (2.3c)
เช่น การ างแผนการผลิต และค บคุม การ างแผนและการจัด ตารางเ ลางานใน ่ งโซ่ อุปทาน และการจัด ตารางเ ลางาน
ของรถไฟรางเดี่ย เป็นต้น
โครง ร้างของปัญ า [8] ในที่นี้จะ ึก าปัญ าที่มีโครง ร้างในลัก ณะดังต่อไปนี้
ใ ้เซ็ตของงานเป็น J = {1, 2, . . . , n} เซ็ตของเครื่องจักร M = {1, 2, . . . , m} แต่ละงานมีกระบ นการซึ่งต้องทำ
บนเครื่องจักรตามที่กำ นดมาแล้ เช่นกระบ นการที่ i ของงาน j แทนโดย oij ทำบนเครื่องจักร uij ∈ M ลำดับขั้นตอน
กระบ นการของแต่ละงานเป็นไปตามที่ได้ถูกกำ นดไ ้แล้ โดยมี ัตถุประ งค์เพื่อจัดตารางเ ลางาน n งานลงบนเครื่องจักร
m เครื่อง และในที่นี้จะมีข้อพิจารณาดังต่อไปนี้
• เครื่องจักรทุกเครื่อง ามารถทำงานได้ตลอดเ ลา
แต่ละงาน job j มีเ ลาที่ต้อง ่งงาน due date dj ≥ 0 มีน้ำ นักของงานเป็น wj เพื่อบ่งบอกค าม ำคัญ ัมพัทธ์
มี เ ลาที่ เริ่ม ต้นงานได้ relase date rj ≥ 0 ใ ้ มการ ัตถุประ งค์ เป็น ผลร มถ่ งน้ำ นัก ของงานที่ ล่าช้า tardiness tj
= max {0, cj − dj } เมื่อ cj คือ เ ลาที่ งาน j เ ร็จ ปัญ านี้ เรียก ่า Job Shop Scheduling Problem with Total
Weighted Tardiness Objective (JSPTWT)
แบบจำลองทางคณิต า ตร์ ามารถเขียนได้ดังนี้
18 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
n
!
min w j tj (2.4a)
j=1
คำตอบที่ดีที่ ุดของปัญ า (2.4) ามารถ าได้โดยการใช้ซอฟแ ร์ GAMS และ optimization software อื่นๆ คำตอบ
ที่ดีได้เป็นไปตามรูปที่ 2.10 ดังต่อไปนี้
คำตอบที่ดีที่ ุดของปัญ า (2.4) ตาม มการ ัตถุประ งค์อื่นๆเช่น minimum makespan เป็นไปตามรูปที่ 2.11 และ
ตาม ัตถุประ งค์ FCFS เป็นไปตามรูปที่ 2.9 ดังต่อไปนี้
แบบฝึก ัด 2.2.4. อภิปรายคำตอบตามรูปทั้ง าม JSPTWT02 JSPTWT03 JSPTWT04 ของปัญ า ft06 (2.4) ในกลุ่ม
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 19
รูปที่ 2.10: คำตอบที่ดีที่ ุดของปัญ า ft06 (2.4) ตาม มการ ัตถุประ งค์ TWT [10]
รูปที่ 2.11: คำตอบที่ดีที่ ุดของปัญ า ft06 (2.4) ตาม มการ ัตถุประ งค์ minimum makespan [10]
ตั อย่าง 2.2.1. ในการเตรียมตั ำ รับการเดินป่า Josie Camper เลือกของระ ่าง ี่ชิ้น โดยมีน้ำ นักและ benefit ตาม
ตารางที่ 2.2 ดังต่อไปนี้
ตารางที่ 2.2: weights and benefits of items for Josie Camper knapsack
item น้ำ นัก (lbs) benefit
1 5 16
2 7 22
3 4 12
4 3 8
ถ้ากระเป๋า knapsack ของ Josie Camper รองรับได้ทั้ง มด 14 lbs จงแก้ปัญ านี้ เพื่อใ ้ได้ benefit ูงที่ ุด
ิธีทำ !
แบบฝึก ัด 2.2.6. NASA พิจารณาเลือก ัตถุ ามชิ้นเพื่อนำไปในอ กา พร้อมกับยาน โดยมีน้ำ นักและ benefit ตามตาราง
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 21
max z = cx (2.5a)
s.t. ax ≤ b (2.5b)
xj ∈ {0, 1} (2.5c)
แบบฝึก ัด 2.2.7. ในการย้าย อพัก เข้า ม าลัย นิ ิต ใ ม่ ต้องเลือกขนย้ายเฟอร์นิเจอร์ ระ ่าง ้า ชิ้น โดยมี ปริมาตรและ
มูลค่า ตามตารางที่ 2.4 ดังต่อไปนี้
22 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
ตารางที่ 2.3: weights and benefits of items for NASA space flight
item น้ำ นัก (lbs) benefit
1 10 3
2 15 4
3 17 5
แบบฝึก ัด 2.2.8. ในการลงทุนโครงการระ ่าง 4 โครงการ โดยมี NPV และมูลค่า cash outflow ที่เ ลาที่ 0 ใน น่ ยล้าน
ดอลลาร์ ตามตารางที่ 2.5 ดังต่อไปนี้
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 23
โดยใ ้ ต๊อกเริ่ม ต้น เป็น จักรยาน 200 คัน ของต้น ปี ปัจจุบัน ค่า เก็บ จักรยานข้ามเดือนเฉลี่ย คัน ละ 5 ยูโรซึ่ง ร มถึง ค่า
อาคารและค่าเก็บรัก า พื้นที่จัดเก็บมีเพียงพอกับจำน น การ างแผนการผลิตต้องใ ้เป็นไปตามค ามต้องการผลิตภัณฑ์ของ
ลูกค้า โดยจะ างแผนถึงเดือน ิง าคม
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 25
คำตอบ 740,000 ยูโรลดต่ำลงจาก 859,000 ยูโรอย่างมาก แต่จะมีคำตอบที่ต่ำก ่านี้ รือไม่ ามารถ าได้จากการลอง
ผิดลองถูก แต่คำตอบที่ดีที่ ุดที่มีจะเป็นคำตอบที่ดีที่ ุดของปัญ า รือไม่จะต้องใช้ ิธีการตร จ อบที่มีระบบก ่าการลองผิด
ลองถูกนี้ ิธีนั้นคือการ ร้างแบบจำลองทางคณิต า ตร์ ซึ่งจะได้ตามรูป 2.21 ดังต่อไปนี้
การ ร้างแบบจำลองทางคณิต า ตร์ นี้ ทำใ ้ ได้ แบบจำลองทางคณิต า ตร์ เชิง เ ้น ผ มจำน นเต็ม ซึ่ง ามารถใช้ กระ
บ นการแก้ปัญ านี้ได้โดย ิธี branchandbound และ/ รือ branchandcut ซึ่งจะได้กล่า ถึงในบทถัดๆไป
NT
! T −1
N!
h
mincost := (pxt + qyt ) + hst + sN T (2.7a)
t=1 t=1
2
s.t. st−1 + xt = dt + st for all t = 1, . . . , N T (2.7b)
s0 = sini , sN T = 0
NT
!
xt ≤ ( dk )yt for all t = 1, . . . , N T (2.7c)
k=1
!!
min (pit xit + qti yti + hit sit ) (2.8a)
i t
1. ปัญ าต้นทุนการ ่งผ่านที่น้อยที่ ุด Minimum cost flow problem (MCFP) ปัญ านี้เป็นปัญ าพื้นฐานที่ ุดของ
ปัญ าเครือ ข่าย คือ การ าเ ้น ทางการ ่ง ของผ่านเครือ ข่ายใ ้ ได้ ตามปริมาณที่ ต้องการ demand ในแต่ละ node
โดยใ ้มีต้นทุนต่ำ ุด ตั อย่างของปัญ านี้คือการกระจาย ินค้าจากโรงงานไปยังโกดัง รือจากโกดังไปยังผู้ขายปลีก
การ ่ง ผ่าน ัตถุดิบ รือ ชิ้น ่ นในระ ่างการผลิต ไปตาม ถานี การผลิต ต่างๆในระบบการผลิต การเดิน ทางของ
รถยนต์ไปตามระบบการขน ่งในเมือง การ ่งผ่าน ัญญาณโทร ัพท์ไปตาม ถานีเชื่อมต่อ ัญญาณ
ั กรณ์ ำ รับปัณ านี้ใ ้ G = (N, A) เป็นเครือข่ายที่มีทิ ทาง N มี n nodes และ A มี m arcs ทางเชื่อมต่อ
ญ
ที่มีทิ ทาง แต่ละ arc (i, j) ∈ A มีต้นทุน cij การขน ่งต่อ น่ ย และ capacity uij ขอบเขตบนในการ ่งผ่าน
และ lij ขอบเขตล่างในการ ่งผ่าน ใ ้ b(i) แทน demand และ supply ของแต่ละ node ใน node i ที่ b(i) > 0
จะเป็น supply node ่ น node i ที่ b(i) < 0 จะเป็น demand node ่ น node i ที่ b(i) = 0 จะเป็น
transshipment node ใ ้ xij แทนปริมาณการ ่งผ่านบน arc (i, j) ∈ A จะได้แบบจำลองทางคณิต า ตร์ดัง
ต่อไปนี้
!
min cij xij (2.9a)
(i,j)∈A
! !
subject to xij − xji = b(i) (2.9b)
j:(i,j)∈A j:(j,i)∈A
min cx (2.10a)
subject to N x = b, (2.10b)
l≤x≤u (2.10c)
ตั อย่าง 2.2.2. ปัญ า transport ตามตั อย่างที่ 2.0.2 เป็นปัญ าต้นทุนการ ่งผ่านที่น้อยที่ ุด Minimum cost
flow problem
ตั อย่าง 2.2.3. พิจารณาปัญ าการขน ่งและการกระจาย ินค้าดังต่อไปนี้ [7]
บริ ัท กระจาย ินค้า จำกัด (บกจ) จะผลิต ผลิตภัณฑ์ ใ ม่ ที่ โรงงาน องแ ่ง และ ่ง ผลิตภัณฑ์ ไปยัง คลัง เก็บ รัก า
(warehouse) องแ ่ง โครงข่าย ำ รับการขน ่งเป็น ไปตามภาพที่ 2.25 โดย F1 และ F2 คือโรงงานทั้ง องแ ่ง
W1 และ W2 คือคลังเก็บรัก าทั้ง องแ ่ง ่ น DC คือ ูนย์กระจาย ินค้า ปริมาณผลิตภัณฑ์ที่จะขน ่งจาก โรงงาน
F1 และ F2 องแ ่ง แ ดงทางซ้ายมือ และ ปริมาณผลิตภัณฑ์ ที่ จะจัด เก็บ ที่ คลัง เก็บ รัก า W1 และ W2 แ ดงทาง
ข ามือ ลูก รแ ดงเ ้น ทาง ่ง ผ่านที่ เป็น ไปได้ ดัง นั้น จึง ่ง ผ่านจาก F1 ไปยัง W1 ได้ โดยตรง ่ นการ ่ง ผ่านจาก
F1 ไปยัง W2 ามารถทำได้โดย ามเ ้นทางที่เป็นไปได้คือ F 1 → DC → W 2, F 1 → F 2 → DC →
W 2, และ F 1 → W 1 → W 2 ค่าขน ่งต่อ น่ ยแ ดงทางด้านข้างของลูก ร ปริมาณทางด้านข้างของ F 1 →
F 2 และ DC → W 2, คือปริมาณ ูง ุดที่ ามารถ ่งผ่านลิ้งค์นี้ได้ ่ นเ ้นทางอื่นไม่มีข้อจำกัดทางด้านปริมาณ
การขน ่งขั้น ูง ุด
ิ่งที่ต้องตัด ินใจคือปริมาณผลิตภัณฑ์ที่จะ ่งผ่านในแต่ละเ ้นทาง เพื่อใ ้เป็นไปตาม ัตถุประ งค์ของต้นทุนร มที่
น้อยที่ ุด
รูปที่ 2.25: โครงข่ายของปัญ าการขน ่งและการกระจาย ินค้า ตั อย่างที่ 2.2.3
$900 ต่อ น่ ย
ผลิต 50 น่ ย F 1 W1 ต้องการ 30 น่ ย
$40
0ต
่อ
น่ ย
ผลิต 40 น่ ย F 2 W2 ต้องการ 60 น่ ย
ธิ ีทำ
ปัญ านี้ เป็น ปัญ าการขน ่ง ที่ เป็น ปัญ าต้นทุน การ ่ง ผ่านที่ น้อยที่ ุด (MCFP) โดย ามารถพิ จรณาได้ ดัง ต่อ ไปนี้
เครือข่ายการกระจาย ำ รับ บกจ. ที่แ ดงตามรูปที่ 2.25 ามารถแปลงเป็น เครือข่ายการกระจาย ำ รับปัญ า
ต้นทุนการ ่งผ่านที่น้อยที่ ุด Minimum cost flow problem ได้ตามรูปที่ 2.26 ดังต่อไปนี้
ค่าพารามิเตอร์ตามรูปที่ 2.25 ใ ้ค่า bi , cij , และ uij ดังในรูปที่ 2.26 ค่า bi ในรูปที่ 2.26 แ ดงใน งเล็บใ ญ่ใน
แต่ละโ นด โ นดที่เป็น supply มีค่า bi > 0 คือโ นด A และ B แทนโรงงานทั้ง องแ ่ง ่ นโ นดที่เป็น demand
มีค่า bi < 0 คือโ นด D และ E แทนคลัง ินค้า warehouse ทั้ง องแ ่ง โ นดที่เป็นโ ลด ่งผ่าน transshipment
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 29
มีค่า bi = 0 คือโ นด C ในที่นี้แทน ูนย์กระจาย ินค้า ค่า cij แ ดงอยู่ด้านข้างของแต่ละลิ้งค์ ในตั อย่างนี้มี อง
ทางเชื่อมที่มีขีดจำกัดในการ ่งไม่เกินค่าที่ใ ้ คือ uAB = 10 และ uCE = 80 ่ นทางเชื่อมอื่นๆ uij = ∞
[0]
2 (uAB = 10) C 2 3
3 (u
C
1
E
=
80
)
B E
[40] [−60]
!
30 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
แบบฝึก ัด 2.2.11. แก้ ปัญ าต้นทุน การ ่ง ผ่านที่ น้อยที่ ุด (MCFP) ข้างต้น ตามตั อย่างที่ 2.2.3 รูป ที่ 2.25 ด้ ย
โปรแกรม GAMS
2. ปัญ าเ ้นทางเชื่อมที่ ั้นที่ ุด shortest path problem (SPP) เป็นปัญ าเครือข่ายที่มีค ามซับซ้อนน้อยที่ ุด คือ
การ าเ ้น ทางจาก source node s ไป sink node t ที่ มี ต้นทุน ร มน้อยที่ ุด โดยมี ต้นทุน การเดิน ทาง cij จาก
node i ไปยัง node j
ตั อย่าง 2.2.4. พิจารณาปัญ าเ ้นทางเชื่อมที่ ั้นที่ ุด (SPP) ดังต่อไปนี้ [14] Joe Cougar อา ัยอยู่ ณ ม านคร
นิ ยอร์ค แต่ ต้องการเดิน ทางไปยัง แอลเลเพื่ อ ตามค ามฝัน ในการเป็น ดารา Joe มี ต้นทุน ที่ จำกัด จึง ตัด ิน ใจพัก
ระ ่างทางในแต่ละคืนที่บ้านของเพื่อนๆ Joe มีเพื่อนในเมือง Columbus, Nashville, Louseville, Kansas City,
Omaha, Dallas, San Anthonio, และ Denver ภายใน 1 คืนจากม านครนิ ยอร์ค Joe Cougar ามารถไปถึงยัง
Columbus, Nashville, รือ Louseville ภายใน 2 คืน Joe Cougar ามารถไปถึงยัง Kansas City, Omaha, รือ
Dallas และภายใน 3 คืน Joe Cougar ามารถไปถึงยัง San Anthonio รือ Denver ในคืนที่ 4 เขา ามารถไปถึง
ยัง Los Angeles เพื่อประ ยัดค่าน้ำมัน Joe Cougar จะ างแผนการนอนที่ใดในแต่ละคืน โดยการเลือกเ ้นทางที่
ั้นที่ ุด แผนที่ร มเป็นไปตามภาพที่ 2.28
รูปที่ 2.28: กราฟแ ดงปัญ าเ ้นทางเชื่อมที่ ั้นที่ ุด shortest path problem
แบบฝึก ัด 2.2.12. แก้ปัญ าเ ้นทางเชื่อมที่ ั้นที่ ุด shortest path problem ข้างต้นด้ ยโปรแกรม GAMS
3. ปัญ าปริมาณ ่งผ่านที่มากที่ ุด maximum flow problem (MFP) ปัญ านี้เ มือนปัญ าเติมเต็มของปัญ าเ ้น
ทางเชื่อมที่ ั้นที่ ุด shortest path problem เพราะปัญ าเ ้นทางเชื่อมที่ ั้นที่ ุด shortest path problem ไม่มี
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 31
รูปที่ 2.29: กราฟแ ดงตั อย่าง a feasible flow ของปัญ าปริมาณ ่งผ่านที่มากที่ ุด (MFP)
(0)4 (0)1
m !
! n
max z= cij xij (2.13a)
i=1 j=1
!n
s.t. xij = 1 (2.13b)
j=1
!m
tij xij ≤ T (2.13c)
i=1
x ∈ {0, 1}m×n
1 7 2
12 1
10 3 4 9 5 8
11
3 6 4
!!
max z= cij xij (2.14a)
i j
!
s.t. xij = 1 (2.14b)
j
!
xij = 1 (2.14c)
i
xij ∈ {0, 1}
1 6 2
12 12
10 13 8 9 8 8
11
3 6 4
แบบฝึก ัด 2.2.15. าเ ้น ทางที่ ดี ที่ ุด และ ิจารณ์ ผลที่ ได้ และ ิธี การ ของปัญ าการเดิน ทางของเซล ์ แมนที่ มี ระยะทาง
ระ ่างเมืองดังต่อไปนี้
รูปที่ 2.32: ระยะทางระ ่างเมืองของปัญ าการเดินทางของเซล ์แมน 01
ิธีทำ
!
34 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
ิธีทำ
2.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 35
!
36 บทที่ 2. แบบจำลองการตัด ินใจ DECISION MODEL
แบบฝึก ัด 2.2.16. แก้ ปัญ า TSP เช่น เดีย กัน กับ แบบฝึก ัด 2.2.15 โดยใ ้ ปัญ ามี ขนาดที่ ใ ญ่ ขึ้น และใช้ การ ุ่ม เลือก
ระยะทางระ ่างเมือง
บทที่ 3
ธิ ีการ าคำตอบที่ดีที่ ุด Optimization solution
method
``Beauty is the first test: there is no permanent place in the world for ugly mathematics.''
Feng Jin, Shiji Song, and Cheng Wu
การ าคำตอบที่ดีที่ ุดประกอบด้ ย อง ่ น ่ นแรกคือการ าคำตอบที่ดีที่ ุด ่ นที่ องคือการยืนยัน ่าคำตอบนั้น
เป็นคำตอบที่ดีที่ ุด
1. ใช้ ิธีการ simplex ตาม 3.1.1ในภาคผน กของ [1] า optimality condition เช่นการแ ดง ่า reduced cost เป็น
ไม่เป็นค่าลบ
2. ใช้ strong duality theorem
3. ใช้ complementarity slackness condition
37
38 บทที่ 3. วิธีการ าคำตอบที่ดีที่ ุด OPTIMIZATION SOLUTION METHOD
max z = c′ x (3.1a)
s.t. Ax ≤ b (3.1b)
x≥ 0, and xi are integer for some i (3.1c)
ในกระบ นการ าคำตอบที่ ดี ที่ ุด optimal solution ของปัญ า (3.1) ถ้า เราจะได้ คำตอบที่ เป็น ไปได้ feasible
solution x̄1 , x̄2 , x̄3 , . . . , x̄s โดยที่ z̄1 ≤ z̄2 ≤ z̄3 ≤ · · · ≤ z̄s ≤ z ∗ เมื่อ จำน นดัง กล่า เป็น คู่ กัน ตาม
ลำดับ เราจะได้ ่าแต่ละตั ของ x̄i ใ ้ขอบเขตล่าง lobwer bound ของปัญ าเป็น z̄i
ขอบเขตบน ของปัญ าคือค่า w̄j ใดๆที่ z ∗ ≤ w̄j
เราจะได้ ่า z̄i ≤ z ∗ ≤ w̄j และเมื่อเรา ามารถ าค่าที่ i และ j ซึ่งมี z̄i = w̄j เราจะได้คำตอบที่ดีที่ ุดของปัญ า
(3.1)
1. X ⊆ T และ
2. f (x) ≥ c(x) ในทุก x ∈ X
ทฤ ฎี 3.2.1. ถ้าปัญ า RP เป็นปัญ าผ่อนคลายของปัญ า IP เราจะได้ ่า z R ≥ z
พิ ูจน์. LTR
ทฤ ฎี 3.2.2. ปัญ า RMIP เป็นปัญ าผ่อนคลายของปัญ า MIP
พิ ูจน์. LTR
แบบฝึก ัด 3.2.1. จง าขอบเขตบนและขอบเขตล่างของปัญ าต่อไปนี้
max z= 4x1 − x2
s.t. 7x1 − 2x2 ≤ 14
x2 ≤ 3
2x1 − 2x2 ≤ 40
x1 , x2 ∈ Z+2
3.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 39
x2
12
11
10
1 2 3 4 5 x1
3.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 41
x2
1 2 3 4 5 6 7 8 9 10 x1
รูปที่ 3.3: กราฟแ ดงคำตอบที่ดีที่ ุดของปัญ าผ่อนคลายของ (3.5) x̄ = (1.8, 2.3), z̄ = 18.7
x2
1 2 3 4 5 6 7 8 9 10 x1
42 บทที่ 3. วิธีการ าคำตอบที่ดีที่ ุด OPTIMIZATION SOLUTION METHOD
รูปที่ 3.4: กราฟแ ดงคำตอบที่ดีที่ ุดของปัญ าย่อยของ (3.5) x1 ≤ 1,x̄ = (1, 2.5), z̄ = 16.5
x2
1 2 3 4 5 6 7 8 9 10 x1
รูปที่ 3.5: กราฟแ ดงคำตอบที่ดีที่ ุดของปัญ าย่อยของ (3.5) x1 ≥ 2,x̄ = (2, 2), z̄ = 18
x2
1 2 3 4 5 6 7 8 9 10 x1
3.2. ปัญ ากำ นดการเชิงเ ้นผ มจำนวนเต็ม 43
รูปที่ 3.6: กราฟแ ดงคำตอบที่ดีที่ ุดของปัญ าย่อยของ (3.5) x1 ≤ 1 x2 ≤ 2 และ ,x̄ = (1, 2), z̄ = 14
x2
1 2 3 4 5 6 7 8 9 10 x1
x2
1 2 3 4 5 6 7 8 9 10 x1
44 บทที่ 3. วิธีการ าคำตอบที่ดีที่ ุด OPTIMIZATION SOLUTION METHOD
การแก้ ปัญ ากำ นดการเชิง เ ้น ด้ ย ิธี branchandbound มี ค ามช้า เร็ ในการ าคำตอบที่ ดี ที่ ุด ขึ้น อยู่ กับ ลัก
เกณฑ์ในการเลือก ตั แปรที่จะแตกกิ่ง( ร้างปัญ าย่อย) และการเลือกลำดับกิ่งที่จะแก้(เลือกลำดับปัญ าย่อยที่จะแก้) ในที่นี้
เราใช้ ลักการแตกกิ่งโดยเลือกตั แปรแรก ุดที่เป็นท นิยิม และ เลือกลำดับกิ่งที่จะแก้ในแน ระนาบจากซ้ายไปข า (ถ้า
กิ่งซ้ายคือ x1 ≤ 3 กิ่งข าจะเป็น x1 ≥ 4)
รูปที่ 3.8: กราฟแ ดงขั้นตอนการแก้ปัญ า (3.5) โดย ิธี branchandbound
x1 ≤ 1 x1 ≥ 2
x2 ≤ 2 x2 ≥ 3
x̄ = (1, 2) P3 z̄ = 14 P4 infeasible
x2 ≤ 2 x2 ≥ 3
x̄ = (2, 2) P1 z̄ = 18 P2 infeasible
นิยาม 3.2.4. Convex Hull ของ คือเซต Convex Combination ของ feasible points x ∈ X
บทแทรก 3.2.1. Convex Hull ของปัญ ากำ นดการเชิงเ ้นเป็น Convex Set
ธิ ี cutting planes คือการเพิ่ม มการ( รืออ มการ)ข้อจำกัดลงในปัญ า เพื่อใ ้คำตอบของ relaxed mixed integer
program ที่ไม่เป็นจำน นเต็มโดนตัดออก ดังตั อย่างในภาพที่ 3.10
รูปที่ 3.10: กราฟแ ดงคำตอบที่ดีที่ ุด x̄ = (1.8, 2.3) ของปัญ าผ่อนคลายของ 3.5 ที่โดนตัดออกโดย cutting plane
x2
1 2 3 4 5 6 7 8 9 10 x1
x2
1 2 3 4 5 6 7 8 9 10 x1
รูปที่ 3.12: กราฟ convex hull ของ feasible points ของปัญ า 3.5 และเ ้น isoprofit
x2
1 2 3 4 5 6 7 8 9 10 x1
บทที่ 4
ิธีฮิ ริ ติก ์ Heuristic methods
``According to the No Free Lunch Theorem, all algorithms equal to the randomly blind search if no
problem information is known.''
Feng Jin, Shiji Song, and Cheng Wu
A heuristic method is a procedure that is likely to discover a very good feasible solution, but not
necessarily an optimal solution, for the specific problem being considered. No guarantee can be given
about the quality of the solution obtained, but a welldesigned heuristic method usually can provide a
solution that is at least nearly optimal (or conclude that no such solutions exist). The procedure also
should be sufficiently efficient to deal with very large problems. The procedure often is a fullfledged
iterative algorithm, where each iteration involves conducting a search for a new solution that might be
better than the best solution found previously. When the algorithm is terminated after a reasonable time,
the solution it provides is the best one that was found during any iteration.
Heuristic methods often are based on relatively simple commonsense ideas for how to search for
a good solution. These ideas need to be carefully tailored to fit the specific problem of interest. Thus,
heuristic methods tend to be ad hoc in nature. That is, each method usually is designed to fit a specific
problem type rather than a variety of applications.
For many years, this meant that an OR team would need to start from scratch to develop a heuristic
method to fit the problem at hand, whenever an algorithm for finding an optimal solution was not
available. This all has changed in relatively recent years with the development of powerful metaheuristics.
A metaheuristic is a general solution method that provides both a general structure and strategy guidelines
for developing a specific heuristic method to fit a particular kind of problem. Metaheuristics have become
one of the most important techniques in the toolkit of OR practitioners.
The nature of metaheuristics: A metaheuristic is a general kind of solution method that orchestrates
the interaction between local improvement procedures and higher level strategies to create a process
that is capable of escaping from local optima and performing a robust search of a feasible region.
ิธีฮิ ริ ติก ์เป็น ิธีการ าคำตอบปํญ า optimization ที่นิยมใช้กับปัญ าที่มีค ามซับซ้อน ไม่ ามารถ าคำตอบโดย
ิธีทางคณิต า ตร์ได้ทันค ามต้องการ
ิธี ทางคณิต า ตร์ มี ิธี ซิ ม เพลกซ์ ิธี branch and bound และ ิธี cutting plane เป็นต้น ่ น ิธี ฮิ ริ ติ ก ์ ่ น
ใ ญ่ จะเป็นการเลียนแบบ ถานการณ์ ธรรมชาติ เช่น ิธี ก้ นของมด ant colony optimization ิธี การ มุน ของอานุ ภาค
particle swarn ิธีการพันธุกรรม Genetic Algorithms และ ิธีตะกละมูมมาม greedy algorithm เป็นต้น ิธีฮิ ริ ติก ์ที่
ดีต้องมีค ามร ดเร็ แต่ ิธีฮิ ริ ติก ์ นั้นมีข้อด้อยคือไม่มีกระบ นการตรา จ อบ ่า คำตอบที่ได้ ่าคำตอบใดที่ได้เป็นคำตอบ
ที่ดีที่ ุด ซึ่งเรา ามารถแก้ไขได้โดยใช้ ิธีผ ม (hybrid)คือการร ม ิธีฮิ ริ ติก ์ กับ ิธีการทางคณิต า ตร์ เข้าด้ ยกัน
47
48 บทที่ 4. วิธีฮิวริ ติก ์ HEURISTIC METHODS
LinKernighan
TabuSearch
Simulated Annealing
Genetic Algorithms
แบบฝึก ัด 4.1.4. แก้ปัญ า TSP ต่อไปนี้ด้ ย ิธีฮิ ริ ติก ์
แบบฝึก ัด 4.1.5. แก้ปัญ า TSP ต่อไปนี้ด้ ย ิธีฮิ ริ ติก ์
50 บทที่ 4. วิธีฮิวริ ติก ์ HEURISTIC METHODS
1 7 2
12 1
10 3 4 9 5 8
11
3 6 4
1 6 2
12 12
10 13 8 9 8 8
11
3 6 4
1. เลือกกลุ่มประชากรเริ่มต้น
2. า fitness function
3. เลือกประชากรกลุ่มเจริญพันธุ์ mating pool
4.2. ขั้นตอนวิธีเชิงพันธุกรรม GENETIC ALGORITHM 51
ตั อย่าง 4.2.1.
52 บทที่ 4. วิธีฮิวริ ติก ์ HEURISTIC METHODS
แบบฝึก ัด 4.2.4. เลือกการ cross over โดย ุ่มโอกา เกิดในแต่ละคู่เป็น 20% จากเลข ุ่มตามรูปที่ 4.14 และเลือกตำแ น่ง
เริ่ม ิ้น ุดการ cross over ของแต่ละคู่(ถ้าเกิด)จากการ ุ่มตามรูปที่ 4.15
แบบฝึก ัด 4.2.5. เลือกการ mutate ของแต่ละยีน ์โดยใ ้โอกา เป็น 10% ใช้การ ุ่มในการเกิดตามรูปที่ 4.16 จากนั้น า
ค่า fitness โดยร มของประชากรใ ม่ และค่าของคำตอบที่ดีที่ ุด แล้ เปรียบเทียบกับของเก่า
รูปที่ 4.16: โอกา การกลายพันธุ์
แบบฝึก ัด 4.2.6. แก้ปัญ า TSP ในขนาดที่เ มาะ ม ด้ ย ิธีการ heuristic และ metaheuristic ปรับค่าพารามิเตอร์ใ ้
เ มาะ ม ิเครา ์และ ิจารณ์ผลที่ได้
1. เลือกขนาดของปํญ าที่เ มาะ มโดยใช้โค๊ดที่ปรับขนาดได้ง่าย (ในที่นี้ใ ้ใช้เมือง 10 เมือง)
2. generate พารามิเตอร์ (ระยะทางระ ่างเมือง) (ในที่นี้ใ ้ใช้ระยะทางของแต่ละกลุ่มที่เคยทำกับเมือง 10 เมืองนั้น)
3. ทำฮิ ริ ติก ์ (ทำ nearest nbhd กับ greedy)
4. ทำเมตาฮิ ริ ติก ์ (ทำ GA)
5. บันทึกผล เปรียบเทียบ ิเคราะ ์ ิจารณ์ (เปรียบเทียบผลโดยเทียบเ ลา รือจำน น iteration)
6. รุปผล
ิธีทำ ใช้ option seed เท่ากับเลขประจำกลุ่มตลอดการ ุ่ม
ามารถใช้โค๊ดที่มีกับข้อ 1 และข้อ 2 อาจจะปรับแก้เล็กน้อย
ข้อ 3 ใ ้เลือก นึ่ง รือ อง ิธีจาก section 4.1
ข้อ 3 ใ ้ใช้ GA !
56 บทที่ 4. วิธีฮิวริ ติก ์ HEURISTIC METHODS
9 8 7 6 5 4 3 2 1
Offspring 1
6 7 8
9 5 4 3 2 6 7 8 1
Offspring 2
4 3 2
1 5 6 7 8 4 3 2 9
1 2 8 4 5 6 7 3 9
บทที่ 5
Special Topic ปัญ าการจัดเ ้นทาง ำ รับยาน
พา นะ VRP
ปัญ าการจัดเ ้นทาง ำ รับยานพา นะ รือ Vehicle routing problem มีลัก ณะดังต่อไปนี้
57
58 บทที่ 5. SPECIAL TOPIC ปัญ าการจัดเ ้นทาง ำ รับยานพา นะ VRP
ย่อ
ตั อย่าง 5.1.1. จากระยะทางตามตารางที่ 5.1 และ demand ตามตารางที่ 5.2 า savings ของแต่ละ link แล้ ลำดับลงใน
ตารางที่ 5.3 จากนั้นใช้ Clarke and Wright saving heuristic าคำตอบฮิ ริ ติก โดยที่ใ ้นถบรรทุกแต่ละคันมี capacity
เป็น 23 น่ ย
5.1. HEURISTIC METHODS FOR CVRP 65
ิธีทำ !
ตารางที่ 5.4: ระยะทาง (ใต้เ ้นทแยง) และระยะประ ยัด (เ นือเ ้นทแยง)
1 2 3 4 5 6 7 8 9 10
1
2 25 39 48 25 18 5 0 1 5
3 43 29 48 14 8 0 3 2 23
4 57 34 52 55 47 15 3 6 20
5 43 43 72 45 77 36 19 26 49
6 61 68 96 71 27 50 36 47 86
7 29 49 72 71 36 40 39 46 57
8 41 66 81 95 65 66 31 78 66
9 48 72 89 99 65 62 31 11 83
10 71 91 114 108 65 46 43 46 36
68 บทที่ 5. SPECIAL TOPIC ปัญ าการจัดเ ้นทาง ำ รับยานพา นะ VRP
บทที่ 6
Special Topic ปัญ าการ างแผนจัด างตู้
คอนเทนเนอร์ภายในเรือ ินค้า
Containership storage planning problem [11]
การค้าทางทะเลคิดเป็น 80% ของการค้าระ ่างประเท ทั้ง มด และเป็นการขน ่งที่มีประ ิทธิภาพมากที่ ุดทาง นึ่ง
90% ของ ินค้า แยกชิ้น ที่ ขน ่ง ระ ่างประเท ขน ่ง ด้ ยตู้ คอนเทนเนอร์ ในปีค . 2016 มี การขน ่ง ร มทั้ง ิ้น ประมาณ
140 ล้าน Twentyfoot Equivalent Units (TEUs) เรือขนตู้ ิน ค้า มัย ใม่ ามารถบรรทุก ได้ ถึง 20,000 TEUs โดยมี ลำ
ใ ญ่ ุดคือ OOCL Hong Kong ที่ขนได้ถึง 21413 TEUs การขน ่งที่ใกล้เต็มขีดจำกัด capacity ทำใ ้เกิด economy of
scale
69
70 บทที่ 6. SPECIAL TOPIC ปัญ าการวางแผนจัดวางตู้คอนเทนเนอร์ภายในเรือ ินค้า
6.1 รูปแบบของปัญ า
พิจารณาเรือ เดิน ทางตามเ ้น ทางการค้า ที่ มี ท่าเรือ N ท่าเรือ ใ ้ ตู้ ทั้ง มดมี ขนาดเท่า กัน และงดการพิจารณาน้ำ นัก และ
มดุลของการบรรทุก โดย ามารถพิจารณา มมติใ ้เรือมี bay เดีย ที่มี R แถ C คอลัมน์ แถ ที่ 1 อยู่ล่าง ุด คอลัมน์ที่ 1
อยู่ซ้าย ุด
ใ ้ N = {1, . . . , N }
C = {1, . . . , C}
R = {1, . . . , R}
โดย ัญลัก ณ์ดังกล่า เป็นไปตาม [2] และ [5] การยกตู้คอนเทนเนอร์ขึ้นลงตามเ ้นทางการเดินเรือเป็นไปตาม N × N
เมทริกซ์ T โดย มาชิก ในตำแ น่ง i, j แทนจำน นตู้ ที่มาจากท่าเรือ ที่ i ไปยัง ท่าเรือ ที่ j ดัง นั้น T จึง เป็น เมตริ กซ์ ที่
ามเ ลี่ยมบนเป็นค่าบ ก มี มมติฐานคือเมตริกซ์ T เป็นเมตริกซ์ที่ feasible นั่นคือ
ประพจน์ 6.1.1.
i
" N
"
Tkj ≤ R · C ∀i ∈ N : i < N (6.1)
k=1 j=i+1
การเดิน เรือ เริ่ม จากท่าเรือ ที่ 1 ไปยัง ท่าเรือ ที่ 2, 3, . . . , N ตามลำดับ ในแต่ละท่าเรือ ที่ i = 1, 2, . . . , N − 1 ตู้
คอนเทนเนอร์ ถานีปลายทาง i ถูกยกออกจากเรือ และ ยกตู้คอนเทนเนอร์ ถานีปลายทาง j = i + 1, . . . , N เข้าเรือ ตู้
คอนเทนเนอร์ ถานีปลายทาง j เรียก ่า jcontainer ณ ถานี N ตู้ที่เ ลือทั้ง มดถูกยกออก
6.1. รูปแบบของปัญ า 75
แบบจำลองทางคณิต า ตร์[11]
ใ ้ตั แปรตัด ินใจเป็น
N
" −1 N "
" R "
C
min yijrc (6.4a)
i=2 j=i+1 r=1 c=1
st xi−1 irc − xijrc ≤ yijrc (6.4b)
∀i, j ∈ N : 1 < i ≤ N − 2, i < j; ∀r ∈ R; ∀c ∈ C,
N
" N
"
xi−1 ir−1 c + yijr−1 c ≤ xi−1 irc + yijrc (6.4c)
j=i+1 j=i+1
∀i ∈ N : 1 < i < N ; ∀r ∈ R : r > 1; ∀c ∈ C,
R "
" C
x1jrc = T1j ∀j ∈ N : j > 1 (6.4d)
r=1 c=1
"R " C
(xijrc − xi−1 jrc ) = Tij ∀i, j ∈ N : 1 < i ≤ N − 2, i < j, (6.4e)
r=1 c=1
N
"
xijrc ≤ 1 ∀i ∈ N : i ≤ N − 2; ∀r ∈ R; ∀c ∈ C. (6.4f)
j=i+1
76 บทที่ 6. SPECIAL TOPIC ปัญ าการวางแผนจัดวางตู้คอนเทนเนอร์ภายในเรือ ินค้า
77