Combined Nearest Greedy Algorithm With Randomized Iterated Greedy Algorithm to Solve Waste Collection Problem
Notice bibliographique
Résumé
The waste collection considers as one of the common transportation problems in the operation research and management area and also it is a significant activity in each city. In this kind of the paper, we study a version of a real-life waste collection and try to find an efficient way to reduce the costs such as the cost of the operation such as fuel and maintenances, the cost of the environment such as noise and traffic congestions, the cost of the investment such as vehicles fleet. The waste collection problem can be formulated as a well-known Vehicle Routing Problem (VRP). The basic idea is to attempt to develop a daily truck routing which will improve the efficiency of the vehicle distribution in Riyadh. The solution will be done in a good way that it can serve all the customers, while in the meantime, it will attempt to improve the total cost. The main contribution of this paper is to improve the solution of total costs for the waste collection while using the existing resources through the combination of the Nearest Greedy algorithm with both Iterated Greedy (IG) and Randomized Iterated Greedy (RIG). We execute our proposed method with real data that collect waste from more than 100 customers in Riyadh city. In terms of the experiments, the results received by those methods are successfully implemented and improved the overall waste collection in Riyadh. In conclusion, these algorithms able to reduce the total costs to this kind of case study with the same number of vehicles.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».