Multi-Depot Pickup and Delivery Problem with Resource Sharing
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
Resource sharing (RS) integrated into the optimization of multi-depot pickup and delivery problem (MDPDP) can greatly reduce the logistics operating cost and required transportation resources by reconfiguring the logistics network. This study formulates and solves an MDPDP with RS (MDPDPRS). First, a bi-objective mathematical programming model that minimizes the logistics cost and the number of vehicles is constructed, in which vehicles are allowed to be used multiple times by one or multiple logistics facilities. Second, a two-stage hybrid algorithm composed of a k-means clustering algorithm, a Clark-Wright (CW) algorithm, and a nondominated sorting genetic algorithm II (NSGA-II) is designed. The k-means algorithm is adopted in the first stage to reallocate customers to logistics facilities according to the Manhattan distance between them, by which the computational complexity of solving the MDPDPRS is reduced. In the second stage, CW and NSGA-II are adopted jointly to optimize the vehicle routes and find the Pareto optimal solutions. CW algorithm is used to select the initial solution, which can increase the speed of finding the optimal solution during NSGA-II. Fast nondominated sorting operator and elite strategy selection operator are utilized to maintain the diversity of solutions in NSGA-II. Third, benchmark tests are conducted to verify the performance and effectiveness of the proposed two-stage hybrid algorithm, and numerical results prove that the proposed methodology outperforms the standard NSGA-II and multi-objective particle swarm optimization algorithm. Finally, optimization results of a real-world logistics network from Chongqing confirm the applicability of the mathematical model and the designed solution algorithm. Solving the MDPDPRS provides a management tool for logistics enterprises to improve resource configuration and optimize logistics operation efficiency.
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