Reoptimization Heuristic for the Capacitated 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 solution to a dynamic context of the Capacitated Vehicle Routing Problem (CVRP) is challenging. Routing and replenishment decisions are necessary by considering the assignment of customers to vehicles when the information is gradually revealed over horizon time. The procedure to solve this type of problems is referred to as route reoptimization, which is the best option for minimizing expected transportation cost without incurring failures of unsatisfied demand on a route. This paper proposes a heuristic algorithm for the reoptimization of CVRP in which the number of customers increases. The algorithm uses proposed performance metrics to reduce route dispersion and minimize length. The initial solution is generated using the savings algorithm and then enhanced using the Record-to-Record travel metaheuristic. By including or reducing new customers in the system, a reoptimization is performed which considers the visited nodes and edges as fixed. The optimization of the algorithm is implemented hierarchically by first minimizing dispersion and then minimizing distance. Next, the local search procedure is executed to improve the solution. A classic optimization is performed on all instances using the original and new customers’ information for later comparison to minimize distance. The efficiency of the proposed algorithm was validated using real-world cases from the literature. The results are promising and show the effectiveness of the proposed method for solving the considered problem by using reoptimization procedures in order to achieve good approximation ratios within short computing times.
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 | 0,001 | 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