Optimization Models for Snowplow Routes and Depot Locations: A Real-World Implementation
Notice bibliographique
Résumé
This study developed a series of strategies to reassess the service level of winter road maintenance (WRM) operations on the road network in Perth County, Ontario, Canada. These strategies include rearranging plow routes by sharing the material storage yards and optimizing their numbers and locations while considering operational and legislative constraints such as total circuit time, operating speeds, and the number of available trucks. A methodological framework was then formulated and solved by tackling four practical, yet challenging, tasks in a sequential manner. The first task was to identify existing plow routes and construct a detailed GIS database that was later used for benchmarking the current WRM operations. The second task involved the optimization of existing plow routes, while the third task focused on the optimization of plow routes and depot locations by amalgamating WRM operations of different municipalities within Perth County. The final task was to conduct a clean slate optimization to see the benefits of combining depots and route sharing. The optimization models developed were implemented to transform the existing maintenance operations networks to an optimized, integrated, and unified network of routes, with improved land use utilization for road maintenance yards. The framework then captured the impact of the service order of maintenance routes and arranged routing priority efficiently using the tabu search algorithm. The findings also revealed that, by sharing depots, the county could retire three depots and eight trucks while still meeting legislative requirements, thereby suggesting the potential for substantial monetary savings.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».