Vehicle Routing Problem with Transshipment: Mathematical Model and Algorithm
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
This paper presents a new variant of vehicle routing problem with paired transshipment demands (VRPT) between retail stores (customers) in addition to the regular demand from depot to retail stores. The problem originates in a real distribution network of high-end retail department stores in Thailand. Transshipment demands arise for one-order-per-season expensive items, whose inventories at the depot may become shortage after the middle of a season, while they remain available at some retail stores. A transshipment demand is a request for items that need to be picked up from a specific store that has the items and delivered to the store that requests the items. The objective of solving the VRPT is to find delivery routes that can satisfy both regular demands and transshipment demands in the same routes without incurring too much additional transportation distance. A mixed integer linear programming model is formulated to represent the VRPT. Six small problem instances are used to test the model. A hybrid threshold accepting and neighborhood search heuristic is also developed to solve large problem instances of VRPT. The heuristic is further extended to include a forbidden list of transshipment demands that should not be included in the same routes. The purpose is to prevent incurring too much additional distance from satisfying transshipment demands. With the forbidden list, the problem becomes vehicle routing problem with optional transshipment demands (VRPOT). Computational testing shows promising results that indicate effectiveness of the proposed hybrid heuristics as well as the forbidden list.
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