A constraint programming approach for multi-objective tourist trip design problem with mandatory visits: A case study for İzmir Turkey
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
The Orienteering Problem (OP) is an optimization problem that finds the locations and routes that will return the highest profit/benefit, starting from the initial location of the traveler/vehicle, visiting these locations, and ending with the starting location of the tour within a given time or distance limit. There is no obligation to visit all locations in the problem structure. OP has many real-life applications, such as staff routing and disaster relief routing. In this study, OP with Time Windows (OPTW), an extension of OP, is discussed with hotel selection and mandatory visits. Although the main objective of OPTW is profit maximization, it is also essential to minimize the total travel time to complete the tour efficiently. For this reason, we consider the OPTW as a multi-objective problem. In the problem considered here, it is assumed that the profit/benefit, travel time between locations, service period, and time interval that each location can be visited are determined to be known. Within the scope of the study, first, a Mixed Integer Programming (MIP) model is prepared for the problem. Since the proposed mathematical model does not provide solutions in a reasonable time for large networks, the problem is solved by a Constraint Programming (CP) approach. Attractive tourist points of interest for Izmir, one of Turkey's major tourist cities, are determined, and the proposed method is applied to the real-life problem. The problem is modeled as Multi-Objective OPTW with MIP and CP and solved. Also, sensitivity analysis is performed by considering two different scenarios.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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