A multi-dimensional robust optimization approach for cold-chain emergency medical materials dispatch under COVID-19: A case study of Hubei Province
Notice bibliographique
Résumé
For the optimization problem of the cold-chain emergency materials (CEM) distribution routes with multi-demand centers and soft time windows and to solve dispatching materials to medical treatment institutions in various places of the disaster areas under COVID-19, a multi-dimensional robust optimization (MRO) model was proposed, which was solved by a hybrid algorithm combined Pareto genetic algorithm and the improved grey relative analysis (IGRA). The proposed model comprehensively takes into consideration of the cost factors of the cold-chain logistics and robustness of solution with the purpose of minimizing the costs and maximizing robustness. The availability of the proposed approach and hybrid algorithm were thoroughly discussed and qualified through a real-world numerical simulation test case, which was a previous risk area located at Hubei Province. Research results show an average-cost reduction of 4.51% and a robustness increment of 11.69% in addition to consider the urgencies of demand. Consequently, not only the costs can be slightly reduced and the robustness be heightened, but also the blindness of the distribution can be avoided effectively with the demand urgency being considered. Research result indicates that when combining with the specific process of supplies dispatching in the prevention and control, the proposed approach is in a far better agreement in practice, and it could meet the diverse requirements of the emergency scenarios flexibly.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».