عرض سلام و احترام این درخواست اولیه و یک پروژه متوسط جهت انجام پروژه بعدی که پروژه بزرگ می باشد، است. عنوان پروژه بزرگ بعدی: "ارائه الگوریتم مسیریابی بهینه مبتنی بر خوشه بندی در برنامه ریزی سرویس دهی رانندگان خودروها با ظرفیت مختلف (سواری؛ ون، مینی بوس، اتوبوس و ...)" می باشد. برای پیاده سازی اولیه این سفارش شما می‌توانید با استفاده از سرویس های تبدیل آدرس به نقطه و سرویس ماتریس فاصله نقاط مد نظر خود را آماده سازی کنید. برای شروع ممکن است به نقشه نیاز داشته باشید که بخواهید نقاط را بر روی نقشه نمایش دهید، که می‌توانید به مثال های پلتفرم نشان برای نمایش نقاط بر روی نقشه مراجعه کنید: نمایش نقاط بر روی نقشه با استفاده از کتابخانه MapboxGL نشان: https://platform.neshan.org/sdk/neshan-platform-example-mapboxgl-custom-marker/ نمایش نقاط بر روی نقشه با استفاده از کتابخانه Leaflet: https://platform.neshan.org/sdk/neshan-platform-leaflet-custom-marker-example/ پس از آشنائی اولیه با نقشه شما می‌توانید نقاط مد نظر را با استفاده از ابزار هایی مانند postman و یا استفاده در محیط هایی مانند python و یا javascript فراخوانی های خود را انجام دهید: سرویس تبدیل آدرس به نقطه: https://platform.neshan.org/api/geocoding/ سرویس ماتریس فاصله: https://platform.neshan.org/api/distance-matrix/ مراحل فوق ممکن است ازطریق سایت های دیگری مانند گوگل و بلد نیز قابل انجام باشند. این شروع تهیه بخش کوچکی از دیتاست است که مورد استفاده سفارش پروژه بزرگ آینده خواهد بود و پس از اطمینان از صحت عملکرد، نقاط تا 200نقطه افزایش می یابند. توضیحات تکمیلی جهت پروژه بزرگ بعدی: فردی قصد انجام پروژه ای با عنوان "ارائه الگوریتم مسیریابی بهینه مبتنی بر خوشه بندی در برنامه ریزی ایاب و ذهاب افراد" را دارد، بدین صورت که ایستگاه های سوار و پیاده شدن کارکنان (Location) در شهر شیراز، شهرک های اطراف و شهرستان های همجوار مشخص است. نیازمندی در این خصوص دیتاست استاندارد می‌باشد و این دیتاست یک گراف جهت دار وزن دار تصادفی خواهد بود. مثال ۲۰۰ نقطه مشخص در شیراز و اطراف آن انتخاب کنیم، آیا شما قادر هستید این نقاط را به صورت یک گراف جهت دار وزن دار تصادفی تبدیل کنید؟ از این دیتاست استاندارد به عنوان ورودی مسئله اصلی استفاده خواهد شد. نکته قابل توجه اینکه این گراف قابلیت خوشه بندی از طریق روش های K-means، کامینز فازی، DBSCAN و ... و ترکیب آن (یعنی روش هیبریدی) با الگوریتم‌های بهینه سازی و فرا ابتکاری (فرا اکتشافی) مختلف مانند ژنتیک، تجمع ذرات، کلونی مورچگان، خفاش، آتاماتای یادگیری تقویتی ‌و ... جهت مسیریابی بهینه را داشته باشد. همچنین محیط های مورد نظر جهت برنامه‌نویسی حل مسئله متلب و پایتون هستند. توضیح بیشتر اینکه این مسئله الگو گرفته از مباحث شبکه های کامپیوتری است و نودهای شبکه متناظر با ایستگاه‌های سطح شهر و ارتباط بین نودها همان یال‌های گراف متناظر با فاصله بین ایستگاه‌ها هستند. درصورتی که بدست آوردن دیتاست استاندارد (گراف جهت دار وزن دار تصادفی) یا برنامه‌نویسی هسته نرم‌افزار حل مسئله بعدی نیز در حوزه فعالیت‌های شما می باشد، خواهشمند است درخصوص جزئیات نحوه همکاری به این سفارش پاسخ دهید. با سپاس فراوان