Vehicle Routing with Stochastic Demands and Partial Reoptimization
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
We consider the vehicle routing problem with stochastic demands (VRPSD), a problem in which customer demands are known in distribution at the route planning stage and revealed during route execution upon arrival at each customer. A long-standing open question in the VRPSD concerns the benefits of allowing, during route execution, partial reordering of the planned customer visits. Given the practical importance of this question and the growing interest on the VRPSD under optimal restocking, we study the VRPSD under a recourse policy known as the switch policy. The switch policy is a canonical reoptimization policy that permits only pairs of successive customers to be reordered. We consider this policy jointly with optimal preventive restocking and introduce a branch-cut-and-price algorithm to compute optimal a priori routing plans in this context. At its core, this algorithm features pricing routines where value functions represent the expected cost-to-go along planned routes for all possible states and reordering decisions. To ensure pricing tractability, we adopt a strategy that combines elementary pricing with completion bounds of varying complexity, and we solve the pricing problem without relying on dominance rules. Our numerical experiments demonstrate the effectiveness of the algorithm for solving instances with up to 50 customers. Notably, they also give us new insights into the value of reoptimization. The switch policy enables significant cost savings over optimal restocking when the planned routes come from an algorithm built on a deterministic approximation of the data, an important scenario given the difficulty of finding optimal VRPSD solutions. The benefits are smaller when comparing optimal a priori VRPSD solutions obtained for both recourse policies. As it appears, further cost savings may require joint reordering and reassignment of customer visits among vehicles when the context permits.
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 | 0,001 |
| 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