Optimal drone deployment for cost‐effective and sustainable last‐mile delivery operations
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
Abstract Delivery by drones holds significant potential to solve issues (such as high costs, access to remote areas, etc.) faced in last‐mile delivery operations, particularly in the e‐commerce industry. Still, it involves complex issues such as multi‐trip operations, energy estimation, and battery recharge planning. A sound drone delivery problem entails an optimal drone deployment plan with routing details at the lowest possible cost. To this end, this study focuses on formulating a delivery problem that involves multi‐trip drone routing, energy optimization, and travel time optimization problems where energy consumption by drones is modeled as a non‐linear function. We develop a mixed integer non‐linear programming model as an integrated optimization model. This model aims to: (a) maximize revenue by meeting demand completely without leaving idle drones, (b) optimize energy use by drones, and (c) minimize the required drone fleet size for an optimal plan. The proposed model is solved using the Gurobi Solver, which employs data supplied by a well‐known e‐commerce firm. We introduce a two‐phase heuristic solution methodology to tackle larger networks’ complexities. This method consists of the clustering phase (K‐means clustering method) and the optimization phase. The robustness of the developed mathematical modeling is demonstrated by testing with varied large problem instances. The evaluation shows that expanding destination options boosts drone demand until saturation, necessitating more drones. Efficient route planning and fleet adjustments are crucial for meeting rising demand and satisfying customers amidst dense clustering. This model helps e‐commerce manage daily last‐mile drone deliveries and anticipate future growth.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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