MétaCan
Menu
Retour à la cohorte
Enregistrement W2604135071

The Capacitated Team Orienteering and Profitable Tour Problems

2007· article· en· W2604135071 sur OpenAlexaff
Claudia Archetti, Dominique Feillet, Alain Hertz, M. Grazia Speranza

Notice bibliographique

RevuePolyPublie (École Polytechnique de Montréal) · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Routing Optimization Methods
Établissements canadiensPolytechnique MontréalGroup for Research in Decision Analysis
Organismes subventionnairesnon disponible
Mots-clésOrienteeringHeuristicMatching (statistics)Computer scienceOperations researchEngineeringMathematical optimizationMathematicsArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

A huge number of papers appeared in the literature which study the well known Traveling Salesman Problem (TSP) and its generalizations to the case of multiple vehicles known as Vehicle Routing Problems (VRPs). While there exists one and only one TSP, many problems belong to the class of VRPs (see Toth, Vigo (2002)). In the TSP and in the VRPs all customers need to be visited. This means that in the situations modeled all customers are known at the time the optimization model is run and all require service. While this is indeed the case in many practical problems, there are many other practical problems where this assumption is not valid. Let us consider the following situation where a set of customers is given and only a subset has to be selected and served. Nowadays it is more and more frequent that shippers post their demands for transportation service on the web, usually in specific databases, and carriers identify some of those demands and offer their service to the shippers. Usually a carrier has a fleet of vehicles and a set of regular customers that have to be served. If the capacity of the vehicles is not fully used, the carrier may wish to look for spot customers on the web. In this case, the carrier has to

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,010
Tête enseignante GPT0,226
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

Citations3
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolyPublie (École Polytechnique de Montréal)Même sujetVehicle Routing Optimization MethodsTravaux en français237 207