A heuristic algorithm to solve the one‐warehouse multiretailer problem with an emission constraint
Notice bibliographique
Résumé
Abstract In this paper, we consider the one‐warehouse multiretailer problem with a global carbon emission cap constraint (OWMR‐EC). This constraint aims at limiting the carbon emissions related to the production, setup, and inventory‐holding operations. We develop a penalized relaxation (PR) method to heuristically solve the considered problem, both with and without the possibility of having initial inventory. This heuristic uses in itself another heuristic that we propose to solve the standard one‐warehouse multiretailer problem (OWMR). Our PR method is tested on numerous instances adapted from the literature. Our results indicate that the penalized method is able to find between 87.4% and 89.8% of feasible solutions for this NP‐hard problem, with an average optimality gap of 2.1% and 2.2% depending on the algorithms we use to solve the different subproblems involved in the method. The results show that our method is highly effective in terms of run‐time and solution quality, when a feasible solution is found. Furthermore, the results indicate that the heuristic for the standard OWMR is also very effective. We further perform a sensitivity analysis on the optimal solutions of the OWMR‐EC to better understand the implications of the carbon emission cap constraint. The sensitivity analysis indicates that the marginal cost of reducing carbon emissions increases as the emission cap decreases. The analysis also shows that the correlation between the cost and emission parameters has an important impact on the potential to further lower the emissions, compared to the emission of the minimum cost solution.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».