MétaCan
Menu
Retour à la cohorte
Enregistrement W2001478667 · doi:10.1287/trsc.2014.0533

Scheduling Twin Yard Cranes in a Container Block

2014· article· en· W2001478667 sur OpenAlexaff
Amir Gharehgozli, Gilbert Laporte, Yugang Yu, René de Koster

Notice bibliographique

RevueTransportation Science · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueMaritime Ports and Logistics
Établissements canadiensHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésHeuristicsBlock (permutation group theory)Scheduling (production processes)Computer scienceContainer (type theory)HeuristicYardMathematical optimizationTruckTravelling salesman problemJob shop schedulingStackingScheduleEngineeringAlgorithmMathematicsAutomotive engineeringOperating system

Résumé

récupéré en direct d'OpenAlex

Annually, millions of containers enter and exit the stacking area of a terminal. If the stacking operations are not efficient, long ship, train, and truck delays will result. To improve the stacking operations, new container terminals, especially in Europe, decouple the landside and seaside by deploying twin automated stacking cranes. The cranes cannot pass each other and must be separated by a safety distance. We study how to schedule twin automated cranes to carry out a set of container storage and retrieval requests in a single block of a yard. Storage containers are initially located at the seaside and landside input/output (I/O) points of the block. Each must be stacked in a specific location of the block, selected from a set of open locations suitable for stacking the storage container. Retrieval containers are initially located in the block and must be delivered to the I/O points. Based on the importance and acceptable waiting times of different modes of transport, requests have different priorities. The problem is modeled as a multiple asymmetric generalized traveling salesman problem with precedence constraints. The objective is to minimize the makespan. We have developed an adaptive large neighborhood search heuristic to quickly compute near-optimal solutions. We have performed extensive computational experiments to assess the performance of the heuristic including validation at a real terminal. It obtains near-optimal solutions for small instances. For large instances, it is shown to yield better solutions than CPLEX truncated after four hours, and it outperforms other heuristics from practice by more than 24% in terms of makespan. The average gaps between our heuristic and optimal solutions for relaxed problems are less than 3%.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,227
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations123
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation ScienceMême sujetMaritime Ports and LogisticsTravaux en français237 207