A genetic algorithm-based solution for multi-type maximal covering location problem (MMCLP): application to defense and deterrence
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
Purpose We study the problem of finding optimal locations for a suite of defense assets in order to protect high-value tactical and strategic infrastructure across a vast geographical area. To this end, we present a multi-type with non-overlapping coverage requirement as an extension to the classical formulation for the maximal covering location problem (MCLP). Design/methodology/approach In our case study, we use open source geographic and demographic data from Canadian sources as inputs to our optimization problem. Due to the complexity of the MIP formulation, we propose a hybrid metaheuristic solution approach, for which a genetic algorithm (GA) is proposed and integrated with local and large neighborhood search operators. Findings Extensive numerical experiments over different instances of the proposed problem indicate the effectiveness of the GA-based solution in reducing the solution time by a factor of ten compared to the CPLEX commercial solver while both approaches obtain solutions of similar quality. Research limitations/implications This research is limited to location planning of defense assets leveraging geospatial data of Canada. However, the diverse Canadian geography is among the most challenging given broad variability in population density and the vast size of the country leading to a large search space having substantial variability in fitness performance. Practical implications Our findings demonstrate that for large-scale location searches, the GA with a local neighborhood search performs very well in comparison to CPLEX but at a fraction of the execution time. Originality/value Our findings provide insight into how to make improved decisions for the placement of deterrence and defense systems and the effectiveness of a hybrid metaheuristic in addressing associated computational challenges.
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