Flexible Districting Policy for the Multiperiod Emergency Resource Allocation Problem With Demand Priority
Notice bibliographique
Résumé
To address responsiveness, time-dependence, and limited emergency supply issues, we introduce a new flexible districting policy, aiming to improve satisfaction in multiperiod emergency resource allocation (MPERA), and set demand priorities to guarantee allocation balance in resource-limited scenarios. The modeling and solution process involves the following: 1) formulating a mixed-integer programming (MILP) model for MPERA with demand priority (MPERA-DP), aiming to maximize utility considering the transportation cost, districting change, and penalty for unsatisfied demand and 2) incorporating the justifiable granularity principle (JGP) and particle swarm optimization (PSO) into the brand-and-price (B&P) algorithm for initial districting and allocating decisions to improve the solution quality and calculation speed. The results of the experiments show that 1) the JGP-PSO-B&P algorithm achieves superior efficiency in terms of optimality and convergence for large-scale cases. This algorithm could improve the optimality by 13.42% compared with that of the JGP-PSO algorithm, 13.15% compared with that of the B&P algorithm, and 28.18% compared with that of the PSO algorithm, on average; 2) the MPERA-DP model with flexible districting policy outperforms flexible MPERA without demand priority, emergency resource allocation with rescheduling (ERAR) and fixed emergency resource allocation with demand priority (FERA-DP), improving the utility by 20.56%, 5.14% and 41.84%, respectively; and 3) the scheme efficiency is influenced by the desirable satisfaction deviation, and when set to 0.6, it allows for the optimization of both demand satisfaction and utility.
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 ».