Multiobjective Optimization of Port Collecting and Distributing Network Considering the Balance Among Efficiency, Environmental Performance, and Disruption to Urban Traffic
Notice bibliographique
Résumé
Port collecting and distributing network (PCDN) carries both freight traffic flow associated with the port and urban traffic flow, serving as the only channel between the port and the hinterland. The congestion caused by increasing freight traffic seriously disrupts urban traffic and leads to environmental issues such as increased carbon emissions. To address this issue, this study proposes a multiobjective optimization approach for the route selection of freight traffic flow within the PCDN, considering the balance among efficiency, environmental performance, and disruption to urban traffic. First, the generation mechanism and characteristics of freight traffic flow in the PCDN are analyzed, followed by the development of a mathematical model based on the static traffic flow distribution theory and the multiobjective optimization theory. Then, a solution framework with NSGA‐III as the core is developed, and an improved Dial algorithm is utilized to allocate traffic flow. Finally, taking a large‐scale container port as the case study, the solution framework is implemented to address the multiobjective optimization model and obtain the optimal route for freight traffic. The results show that there are significant negative correlations between distributing efficiency and disruption to urban traffic, as well as between distributing efficiency and carbon emissions. Decision‐makers can choose the optimal route according to different preferences or adopt the compromise solution by referencing the Pareto front obtained by the solution framework. The proposed method provides theoretical support for designing the PCDN scientifically.
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 | 0,000 |
| 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 ».