MétaCan
Menu
Retour à la cohorte
Enregistrement W4406411297 · doi:10.1016/j.amc.2025.129278

A new mathematical model and solution method for the asymmetric traveling salesman problem with replenishment arcs

2025· article· en· W4406411297 sur OpenAlexaff
K. Gülnaz Bülbül, Refail Kasımbeyli

Notice bibliographique

RevueApplied Mathematics and Computation · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueMetaheuristic Optimization Algorithms Research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésTravelling salesman problemMathematical optimizationComputer scienceApplied mathematicsMathematics

Résumé

récupéré en direct d'OpenAlex

This paper presents a new mathematical model for the Asymmetric Traveling Salesman Problem with Replenishment Arcs, an extension of the Asymmetric Traveling Salesman Problem, incorporating constraints on subpaths within the tour. Many existing modeling approaches to this problem require the generation of replenishment feasible or replenishment violation paths as a parameter set, which may lead to computational difficulties. Our formulation addresses these difficulties and provides direct computation of an optimal tour without relying on the set of paths as a parameter set. In this paper, we also propose a Lagrangian relaxation-based solution method. Given that ordinary Lagrangian functions can encounter duality gap in nonconvex problems, we employ a special augmented Lagrangian function, which is proven to overcome the issue of duality gap for many classes of nonconvex problems, including ours. In this paper, we utilize a hybrid solution method by combining the F-MSG method with an ant colony optimization algorithm. A similar solution method was previously used in Bulbul and Kasimbeyli (2021) [13] . In this paper, the method used in the aforementioned paper is enhanced in terms of computational complexity and solution efficiency. We assess the proposed method on 180 randomly generated instances, demonstrating that it achieves optimal solutions for almost all cases. Additionally, we apply our methodology to the aircraft maintenance routing problem, testing it on 11 instances from the aforementioned study. The results highlight the effectiveness of our approach, with an average improvement of 48.6% in solution time and a 0.93% enhancement in solution quality. • New arc-based mixed-integer linear programming formulation for RATSP. • Addresses computational issues without pre-specified replenishment paths. • Uses augmented Lagrangian function to eliminate duality gaps in nonconvex problems. • Combines F-MSG method with ACO algorithm for enhanced solution quality and time. • Proposes a novel hybrid method that converges to global optimum.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0030,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,316
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Mathematics and ComputationMême sujetMetaheuristic Optimization Algorithms ResearchTravaux en français237 207