A Hybrid Memetic and Set Partitioning Optimization Framework for Decision Support in Industrial Transportation: A Case Study of Employee Shuttle Routing
Notice bibliographique
Résumé
Designing cost-effective shuttle services for large-scale industrial companies presents a significant challenge in the transportation industry.This challenge arises from the need to balance high-quality service with cost-effectiveness while considering various practical constraints.In this context, we introduce a novel approach to help decision-makers address Employee Shuttle Bus Routing Problems (ESBRP).Our method combines the Memetic Algorithm (MA), a metaheuristic, with the Set Partitioning Problem (SPP) model, an exact algorithm.The proposed framework consists of two phases: (1) generating routes that adhere to the real-world constraints of the ESBRP using the MA, and (2) allocating these routes to a heterogeneous fleet of vehicles by optimally solving the SPP Model.A unique feature of our approach is the extension of the framework to enable the transition from addressing the single-load scenario of the ESBRP problem to solving the mixed-load scenario.This transition is achieved by implementing the Single to Mixed Loads Heuristic (SMH).This paper presents the results of thorough computational tests conducted on multiple data instances of varying sizes.Additionally, we develop a mixed-integer programming (MIP) model for the ESBRP to compare and evaluate the results of the proposed framework.By assessing solution quality and execution times on small and moderate-sized data instances, the experiments demonstrate that the proposed approach is efficient and often generates near-optimal solutions.
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 | 0,001 |
| 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 ».