Design of a hybridization between Tabu search and PAES algorithms to solve a multi-depot, multi-product green vehicle routing problem
Notice bibliographique
Résumé
Vehicle routing problem (VRP) is a classic problem studied in logistic. One of the most important variations within this problem is called Green Vehicle Routing Problem (GVRP), in which environmental aspects are considered when designing product delivery routes. This variant arises due to the high levels of pollution produced by transport vehicles, so it is a variation whose study represents a vital impact nowadays. This project will consider a GVRP and will be developed considering the characteristics of multi-depot (MDVRP) and multi-product (MPVRP) to minimize the costs of assignation of vehicles and CO2 emissions. To solve the problem, this project proposes a hybridization between the classic tabu search (TS) metaheuristic and the PAES algorithm (TS+PAES) to generate the Pareto frontier of both objectives. An integer mixed linear programming model is formulated and developed for each objective function separately to have an optimal point of comparison for the efficiency of the proposed algorithm. Also, the TS+PAES algorithm is compared to the nearest neighbor algorithm for large instances. Two computational experiments were carried out, one for small and the other one for large instances. The experiment for small instances showed that the GAP of each extreme of the frontier compared to the MILP model is on average 0.73%. For large instances, the metaheuristic improves in 0.1% the results presented by the MILP model showing that the metaheuristic provides closer near-optimal solutions in less computational time. Besides, the metaheuristic, in comparison with the nearest neighborhood heuristic, improves in 44.21% the results of emissions and in 3.88% the costs. All these results demonstrate the effectiveness of the metaheuristic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».