Green pickup and delivery problem with private drivers for crowd-shipping distribution considering traffic congestion
Notice bibliographique
Résumé
Crowd-shipping, employing private drivers to partially replace company-owned trucks in distribution, has emerged as a prominent trend for its cost-effectiveness and sustainability. While crowd-shipping is known as a distribution pattern that combines economic efficiency and environmental benefits, however, the frequent occurrence of traffic congestion has made this pattern less effective than it should be. In this research, the problem of vehicle routing optimization under traffic congestion is investigated from the perspective of simultaneously reducing environmental pollution and costs. Considering private drivers picking up and delivering parcels on the way, this study incorporates the objective of minimizing transport as well as particulate matter (PM) and nitrogen oxides (NOx) emission costs into route optimization for crowd-shipping and proposes a Green Pickup and Delivery Problem with Private Drivers (GPDP-PD). To be more realistic, vehicle speeds depend on the level of traffic congestion, reflecting the time-dependent nature of the proposed model. An improved adaptive large neighborhood search (ALNS) algorithm is developed, and computational experiments are conducted to demonstrate the efficiency of the improved ALNS. Case studies show that there is uncertainty about the environmental benefits of crowd-shipping under traffic congestion. Our proposed model is capable of efficiently allocating private drivers and optimizing vehicle routes according to road conditions, thus identifying the crowd-shipping operational scheme with the lowest cost and emissions. Moreover, a time limit of 0.7-0.8 h and the low cost of private drivers can achieve environmental and economic benefits simultaneously. It provides useful insights into the sustainability of logistics and distribution.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».