Communication-Aware Drone Delivery Problem
Notice bibliographique
Résumé
The drone delivery problem (DDP) has been introduced to include aerial vehicles in last-mile delivery operations to increase efficiency. However, the existing studies have not incorporated the communication quality requirements of such a delivery operation. This study introduces the communication-aware DDP (C-DDP), which incorporates handover and outage constraints into the conventional multi-depot multi-trip green vehicle routing problem with time windows. In particular, any trip of a drone to deliver a customer package must require less than a certain number of handover operations and cannot exceed a predefined outage duration threshold. A mixed integer programming (MIP) model is developed to minimize the total flight distance while satisfying communication constraints. We present a genetic algorithm (GA) that can solve large instances and compare its performance with an off-the-shelf MIP solver. Computational study shows that the GA and MIP solver performances are equivalent to solving smaller instances. We also compare the GA performance against another evolutionary algorithm, particle swarm optimization (PSO), for larger instances and find that the GA outperforms the PSO with slightly longer CPU times. The results indicate that ignoring the communication constraints would cause significant operational disruption risk and this risk can be easily mitigated with a slight sacrifice from flight distances by incorporating the proposed communication constraints. In particular, the communication performance can be improved by up to 28.9% when the flight distance is increased by 19.1% at most on average.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».