A hybrid FJA-ALNS algorithm for solving the multi-compartment vehicle routing problem with a heterogeneous fleet of vehicles for the fuel delivery 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
This paper proposes a new hybrid algorithm to solve the multi-compartment vehicle routing problem (MCVRP) with a heterogeneous fleet of vehicles for the fuel delivery problem of a previous study of twenty petrol stations in northeastern Thailand. The proposed heuristic is called the Fisher and Jaikumar Algorithm with Adaptive Large Neighborhood Search (FJA-ALNS algorithm). The objective of this case is to minimize the total distance, while using a minimum number of multi-compartment vehicles. In the first phase, we used the FJA to solve the MCVRP for the fuel delivery problem. The results from solving the FJA were utilized to be the initial solutions in the second phase. In the second phase, a hybrid algorithm, namely the FJA-ALNS algorithm, has been developed to improve the initial solutions of the individual FJA. The results from the FJA-ALNS algorithm are compared with the exact method (LINGO software), individual FJA and individual ALNS. For small-sized problems (N=5), the results of the proposed FJA-ALNS and all methods provided no different results from the global optimal solution, but the proposed FJA-ALNS algorithm required less computational time. For larger-sized problems, LINGO software could not find the optimal solution within the limited period of computational time, while the FJA-ALNS algorithm provided better results with much less computational time. In solving the four numerical examples using the FJA-ALNS algorithm, the result shows that the proposed FJA-ALNS algorithm is effective for solving the MCVRP in this case. Undoubtedly, future work can apply the proposed FJA-ALNS algorithm to other practical cases and other variants of the VRP in real-world situations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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