Two new mixed‐integer programming models for the integrated train formation and shipment path optimization problem
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
Abstract Railcars are known as the heart of the freight rail transportation industry. Hence, any improvements in their operations can lead to sharp reductions in various operating costs. One of the most critical operations on railcars is blocking and routing their transportation. Railway companies face continuous challenged about what blocks should be formed to carry shipments across different origin–destination pairs (O–D pairs) and reclassify them in intermediate yards to minimize transportation reclassification costs. In addition, it is necessary to determine train service between O–D pairs and the number of trains. Along with the shipment routing plans, this problem is called train formation and shipment path optimization (TFSP). In TFSP, some substructure and rail network operational constraints should be considered, including link capacity, classification capacity, the number of sorting tracks, and path length. This paper presents two arc‐based mixed‐integer linear programming (MILP) models to formulate the TFSP problem. To the best of the authors' knowledge, no MILP arc‐based model has been published for the problem that does not need any preprocess before solving. Computational results of solving models on the datasets showed that the first model could obtain a feasible solution with a maximum 0.05% gap up to 48 yards instance. The second model also could find a solution with a small gap compared to the optimal solution in a reasonable time for instances up to 128 yards. Also, the proposed models were compared to the best methods in the literature, and their superiority was shown.
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 | 0,000 | 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 | 0,000 |
| 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