Utveckling av en ny modul i WM-datas arbetsorderhanteringssystem för registrering av snöröjning respektive sandning

WM-data tillhandahåller en lösning för mobil arbetsorderhantering. Lösningen innehåller planeringsverktyg med ärenden, personal och karta och möjlighet att leverera arbetsorder till fältpersonal. Den innehåller dessutom handhållna mobilenheter, vilka fältpersonalen använder för att ta emot aktuella arbetsorder.Vissa kunder önskar ytterligare en modul i denna mobila lösning. Den nya modulen skall användas för att kontinuerligt rapportera in genomförda åtgärder i snöröjningssammanhang.Detta examensarbete går ut på att utveckla den här modulen för att registrera snöröjning respektive sandning. Applikationen exekveras på en PDA, en så kallad Pocket PC med Windows Mobile 5.0. Anledningen till att just Windows Mobile 5.0 skall användas är att detta operativsystem har inbyggt stöd för GPS-positionering. Ett önskemål av WM-data var att detta inbyggda stöd skulle undersökas, rapporteras och användas i applikationen.Resultatet blev en applikation där man via en Pocket PC kontinuerligt sparar undan fordons GPS-position, arbetsåtgärd samt tidpunkterna när GPS-positionerna togs. Denna information är sedan anpassad för att kunna skickas vidare via GPRS till en befintlig databasserver under vissa tidsintervaller.Applikationen utvecklades med hjälp av programmeringsspråket C Sharp (C#) i Visual Studio 2005.

A computational comparison of different algorithms for very large p-median problems

In this paper, we propose a new method for solving large scale p-median problem instances based on real data. We compare different approaches in terms of runtime, memory footprint and quality of solutions obtained. In order to test the different methods on real data, we introduce a new benchmark for the p-median problem based on real Swedish data. Because of the size of the problem addressed, up to 1938 candidate nodes, a number of algorithms, both exact and heuristic, are considered. We also propose an improved hybrid version of a genetic algorithm called impGA. Experiments show that impGA behaves as well as other methods for the standard set of medium-size problems taken from Beasley’s benchmark, but produces comparatively good results in terms of quality, runtime and memory footprint on our specific benchmark based on real Swedish data.