How to operate ship fleets under uncertainty
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
Ships operated by a liner company are scattered around the world to transport goods. A liner company needs to adjust its shipping network every few months by repositioning its ships to respond to uncertain container shipping demand. Few studies investigate a liner company's multiperiod heterogeneous fleet deployment problem under uncertainty, considering fleet repositioning, ship chartering, demand fulfillment, cargo allocation, and adaptive fleet sizes. To this end, this study formulates a mixed‐integer linear programming model that captures all of these elements. This study also designs a Benders‐based branch‐and‐cut algorithm for this non‐deterministic polynomial‐time (NP)‐hard problem. Two types of acceleration strategies, including approximate upper bound tightening inequalities and Pareto‐optimal cuts, are applied to improve the performance of the algorithm. Extensive numerical experiments show that the proposed algorithm significantly outperforms CPLEX and its Benders decomposition framework in solving the model. We conduct an intensive analysis and find that multistage stochastic programming can lead to better solutions than two‐stage stochastic programming. We also find that 10% of the benefit provided by the multistage model over the two‐stage model is due to better fleet deployment decisions and that 90% of the benefit is due to better demand fulfillment and allocation decisions. By exploring three practical questions regarding driver analysis of liner company profitability, benefits analysis of adaptive fleet sizes, and the influence of the COVID‐19 pandemic on liner shipping, we show how liner companies can benefit from managerial insights obtained in this study.
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