Designing Distribution Networks: Formulations and Solution Heuristic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The fast development of transport activities and the introduction of shipment consolidation have considerably changed the logistics context over the last three decades. Consolidation terminals, also called transshipment centers (TC) or hubs, have justified their presence by improving the loading of trucks in terms of both volume and weight. In addition, the possibility of using external carriers, exclusively or in coordination with a private fleet, can reduce costs and increase customer service. The right combination of these strategies can dramatically impact the cost of transport. However, the complexity of the decisions has also increased and existing models have to be improved to tackle these new challenges. In this paper, after discussing the different formulations for distribution networks with transshipment centers existing in the literature, we present a new model and an efficient metaheuristic that determines the number and the location of TCs as well as the best transportation alternative—LTL, FTL, Parcel, or own fleet—on each segment accounting for both weight and volume metrics. The ability of our heuristic to solve this complex problem comes from a judicious combination of tabu search and variable neighborhood search. The performance of this approach is evaluated on several test data problems generated with real cost structures published by a U.S. carrier. The heuristic solutions are compared to optimal ones obtained by an exact method for small-sized instances of the simpler problems. Finally, we address issues in carrier price structure to achieve efficient shipment practices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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