Solving the single depot open close multiple travelling salesman problem through a multi-chromosome based genetic algorithm
Notice bibliographique
Résumé
The multiple travelling salesman problem (MTSP) extends the classical travelling salesman problem (TSP) by involving multiple salesman in the solution. MTSP has found widespread applications in various domains, such as transportation, robotics, and networking. Despite extensive research on MTSP and its variants, there has been limited attention given to the open close multiple travelling salesman problem (OCMTSP) and its variants in the literature. To the best of the author's knowledge, only one study has addressed OCMTSP, introducing an exact algorithm designed for optimal solutions. However, the efficiency of this existing algorithm diminishes for larger instances due to computational complexity. Therefore, there is a crucial need for a high-level metaheuristic to provide optimal/best solutions within a reasonable timeframe. Addressing this gap, this study proposes a first meta-heuristic called multi-chromosome-based Genetic Algorithm (GA) for solving OCMTSP. The effectiveness of the developed algorithm is demonstrated through a comparative study on distinct asymmetric benchmark instances sourced from the TSPLIB dataset. Additionally, results from comprehensive experiments conducted on 90 OCMTSP symmetric instances, generated from the renowned TSPLIB benchmark dataset, highlight the efficiency of the proposed GA in addressing the OCMTSP. Notably, the proposed multi-chromosome-based GA stands out as the top-performing approach in terms of overall performance. Further, solutions to symmetric TSPLIB benchmark instances are also reported, which will be used as a basis for future studies.
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 | 0,001 | 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) | 0,000 | 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 ».