Robust Stochastic Models for Profit-Maximizing Hub Location Problems
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 introduces robust stochastic models for profit -maximizing capacitated hub location problems in which two different types of uncertainty, including stochastic demand and uncertain revenue, are simultaneously incorporated into the problem. First, a two-stage stochastic program is presented in which demand and revenue are jointly stochastic. Next, robust stochastic models are developed to better model uncertainty in the revenue while keeping the demand stochastic. Two particular cases are studied based on the dependency between demand and revenue. In the first case, a robust stochastic model with a min-max regret objective is developed assuming a finite set of scenarios that describes uncertainty associated with the revenue under a revenue-elastic demand setting. For the case when demand and revenue are independent, robust stochastic models with a max-min criterion and a min-max regret objective are formulated considering both interval uncertainty and discrete scenarios, respectively. It is proved that the robust stochastic version with max-min criterion can be viewed as a special case of the min-max regret stochastic model. Exact algorithms based on Benders decomposition coupled with a sample average approximation scheme are proposed. Exploiting the repetitive nature of sample average approximation, generic acceleration methodologies are developed to enhance the performance of the algorithms enabling them to solve large-scale intractable instances. Extensive computational experiments are performed to consider the efficiency of the proposed algorithms and also to analyze the effects of uncertainty under different settings. The qualities of the solutions obtained from different modeling approaches are compared under various parameter settings. Computational results justify the need to solve robust stochastic models to embed uncertainty in decision making to design resilient hub networks.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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