Modelo matemático de planificación de rutas para minimizar los costos del reparto de la empresa San Isidro Labrador S.R.L. en el año 2015
Notice bibliographique
Résumé
La presente tesis busco planificar las rutas de reparto de carga a traves de un modelo matematico para minimizar los costos del reparto de cargas de la empresa San Isidro Labrador S.R.L. en el ano 2015. El estudio se aplico a los 275 principales clientes de esta empresa, de los cuales se escogio por muestreo de poblaciones finitas a 161 clientes, realizandose un estudio pre test y pos test, a quienes se aplico un cuestionario que mide la satisfaccion de la calidad del servicio de reparto, luego se procedio mapear a los 45 clientes insatisfechos en Google MAPS y medir las distancias entre nodos obteniendo la zonificacion de 5 clusters por cercania de puntos, seguido se calculo los costos operativos por hora de mano de obra, mantenimiento y combustible y se desarrollo el modelo matematico de algoritmo de petalos en LINGO System siendo la funcion objetivo minimizar los costos del reparto de carga y las restricciones de demanda, capacidad, tiempo total, hora de salida y kilometraje del vehiculo. Teniendo como resultados una reduccion del 43.7% los costos de reparto y un 49.9% de distancia recorrida. El impacto del modelo matematico en los costos del reparto fueron corroborados con la prueba estadistica t-student, dando un valor (p=0.017) menor que 0.05. Lo cual permitio aceptar la hipotesis del modelo matematico de planificacion de rutas si minimiza los costos del reparto de carga.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».