Improving a multi-echelon last mile delivery system by effective solution methods based on ant colony optimization
Notice bibliographique
Résumé
The Covid-19 pandemic has significantly impacted consumer behavior and commerce, prompting a shift towards online goods and services. The surge in demand has led to inefficiencies and disruptions, especially in the last-mile delivery (LMD) process. Because of the LMD, the final stage of the supply chain, plays a crucial role in transporting goods from businesses to consumers, challenges such as the cost inefficiencies of direct home delivery have underscored the need for innovative solutions. In this study, the collection delivery points (CDPs) approach was adopted instead of direct home delivery. It focuses on addressing these challenges by adopting service points as dynamic CDPs and handling the problem as a dynamic location routing problem (DLRP). Two solutions approaches are proposed, to select candidate depots strategically and determine efficient route configurations, to aim to minimize travel distance. One of them is a two-phased hierarchical method that starts with clustering and continues with an Ant Colony Optimization (ACO) based-hybrid algorithm, and the other one is based solely on an ACO-based hybrid algorithm. The performance of these approaches is evaluated on modified benchmark instances from the literature. It has been observed that the ACO based-hybrid algorithm is more successful in terms of total travel distance, and if an evaluation is made in terms of the number of routes, it is recommended that the results of the two-phased hierarchical method should also be considered. Furthermore, a real word case study was conducted with the proposed methods and the results were compared from different perspectives. The results corroborate the findings regarding benchmark instances, thereby providing additional validation to the results obtained.
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 | 0,001 | 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 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 ».