Optimizing Modular Hub Location in Air and Road Transportation Systems
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
Hub networks play a crucial role in optimizing transportation costs in air and road systems. Their main objective is to strategically locate hubs and allocate non-hub nodes within the network. The modular hub location problem is a specific area of hub network design that focuses on accurately calculating transportation costs, considering factors like trip numbers and capacity constraints in network routes. This study proposes a mixed-integer programming model to address the modular hub location problem with multiple allocations. It considers dependent and independent costs associated with vehicles per trip between hub network routes, considering specific vehicle capacities. Two datasets are utilized for validation: the CAB dataset representing 25 nodes of US airports and the TR dataset representing the Turkish transportation system with 81 nodes. To tackle the NP-hard nature of hub location models and the computational complexity of the proposed model, two solutions are developed. Firstly, a novel LP relaxation-based method using GAMS software provides near-optimal solutions for medium-sized instances. Additionally, a Genetic Algorithm (GA) implemented in MATLAB handles larger instances. The GA's efficiency is enhanced by tuning its parameters using the Taguchi method. Results analysis shows that both proposed algorithms yield high-quality solutions within significantly reduced timeframes compared to the CPLEX solver in GAMS software. The LP relaxation-based method performs well for medium-sized instances, while the GA approach is efficient for larger instances after parameter tuning with the Taguchi method.
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