Differential evolution algorithm for multi-commodity and multi-level of service hub covering location problem
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 hub location problem involves a network of origins and destinations over which transportation takes place. There are many studies associated with finding the location of hub nodes and the allocation of demand nodes to these located hub nodes to transfer the only one kind of commodity under one level of service. However, in this study, carrying different commodity types from origin to destination under various levels of services (e.g. price, punctuality, reliability or transit time) is studied. Quality of services experienced by users such as speed, convenience, comfort and security of transportation facilities and services is considered as the level of service. In each system, different kinds of commodities with various levels of services can be transmitted. The appropriate level of service that a commodity can be transmitted through is chosen by customer preferences and the specification of the commodity. So, a mixed integer programming formulation for single allocation hub covering location problem, which is based on the idea of transferring multi commodity flows under multi levels of service is presented. These two are applied concepts, multi-commodity and multi-level of service, which make the model's assumptions closer to the real world problems. In addition, a differential evolution algorithm is designed to find near-optimal solutions. The obtained solutions using differential evolution (DE) algorithm (upper bound), where its parameters are tuned by response surface methodology, are compared with exact solutions and computed lower bounds by linear relaxation technique to prove the efficiency of proposed DE algorithm.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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