Robust Solution Approach for the Dynamic and Stochastic Vehicle Routing 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 dynamic and stochastic vehicle routing problem (DSVRP) can be modelled as a stochastic program (SP). In a two-stage SP with recourse model, the first stage minimizes the a priori routing plan cost and the second stage minimizes the cost of corrective actions, performed to deal with changes in the inputs. To deal with the problem, approaches based either on stochastic modelling or on sampling can be applied. Sampling-based methods incorporate stochastic knowledge by generating scenarios set on realizations drawn from distributions. In this paper we proposed a robust solution approach for the capacitated DSVRP based on sampling strategies. We formulated the problem as a two-stage stochastic program model with recourse. In the first stage the a priori routing plan cost is minimized, whereas in the second stage the average of higher moments for the recourse cost calculated via a set of scenarios is minimized. The idea is to include higher moments in the second stage aiming to compute a robust a priori routing plan that minimizes transportation costs while permitting small changes in the demands without changing solution structure. Additionally, the approach allows managers to choose between optimality and robustness, that is, transportation costs and reconfiguration. The computational results on a generic dynamic benchmark dataset show that the robust routing plan can cover unmet demand while incurring little extra costs as compared to the preplanning. We observed that the plan of routes is more robust; that is, not only the expected real cost, but also the increment within the planned cost is lower.
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