The electric vehicle routing problem with backhauls
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
In the classical vehicle routing problem with backhauls (VRPB) the customers are divided into two sets; the linehaul and backhaul customers, so that the distribution and collection services of goods are separated into different routes. This is justified by the need to avoid the reorganization of the loads inside the vehicles, to reduce the return of the vehicles with empty load and to give greater priority to the customers of the linehaul. Many logistics companies have special responsibility to make their operations greener, and electric vehicles (EVs) can be an efficient solution. Thus, when the fleet consists of electric vehicles (EVs), the driving range is limited due to their battery capacities and, therefore, it is necessary to visit recharging stations along their route. In this paper the electric vehicle routing problem with backhauls (EVRPB) is introduced and formulated as a mixed integer linear programming model. This formulation is based on the generalization of the open vehicle routing problem considering a set of new constraints focussed on maintaining the arborescence condition of the linehaul and backhaul paths. Different charging points for the EVs are considered in order to recharge the battery at the end of the linehaul route or during the course of the backhaul route. Finally, a heuristic initialization methodology is proposed, in which an auxiliary graph is used for the efficient coding of feasible solutions to the problem. The operation and effectiveness of the proposed formulation is tested on two VRPB instance datasets of literature which have been adapted to the EVRPB.
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