A stochastic optimization approach for the supply vessel planning problem under uncertain demand
Notice bibliographique
Résumé
This paper presents a two-stage stochastic programming with recourse methodology to solve the Supply Vessel Planning Problem with Stochastic Demands (SVPPSD), a problem arising in offshore logistics and which generalizes the Periodic Vehicle Routing Problem with Stochastic Demands and Time Windows. In the SVPPSD, a fleet of vessels is used to deliver a regular supply of commodities to a set of offshore installations to ensure continuous production, with each installation requiring one or more visits per week and having stochastic demands. Both the onshore depot where the product to be distributed is kept and the offshore installations have time windows, and voyages are allowed to span more than one day. A solution to the SVPPSD consists in the identification of an optimal fleet of vessels and the corresponding weekly schedule. As a solution methodology, we embed a discrete-event simulation engine within a genetic search procedure to approximate the cost of recourse and arrive at the minimized expected cost solution. We make comparisons with two alternative approaches: an expected value problem with upscaled demand, and a chance-constrained algorithm. While alternative methodologies yield robust schedules, robustness is achieved mainly through an increase in fleet size. In contrast, a two-stage stochastic programming with recourse algorithm, by accounting for the cost of recourse in the search phase, and exploring a wider solution space, allows arriving at robust schedules with a smaller fleet size, thereby yielding significant cost savings. For the tested problem instances, the proposed algorithm leads to savings of approximately 10 to 15 million USD per year.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».