Applying a Hybrid Gray Wolf‐Enhanced Whale Optimization Algorithm to the Capacitated Vehicle Routing Problem
Notice bibliographique
Résumé
The study presents a novel hybrid gray wolf and whale optimization algorithm (hGWOAM) for the capacitated vehicle routing problem (CVRP). By integrating the enhanced whale optimization algorithm (EWOA) and gray wolf optimizer (GWO) with tournament selection, opposition‐based learning, and mutation techniques, hGWOAM enhances routing efficiency under capacity constraints. Computational evaluations demonstrate its superior performance, achieving lower percentage deviations (%dev) compared to existing algorithms across multiple case studies and real‐world applications. In Case Study 1, hGWOAM achieved a mean percentage deviation (%dev) lower than EWOA (0.89%), GWO (0.74%), SCA (0.59%), DA (1.63%), ALO (2.26%), MHPSO (1.85%), PSO (1.96%), DPGA (2.85%), and SGA (4.14%). In Case Study 2, hGWOAM outperformed EWOA (12.05%), GWO (2.53%), ALO (21.07%), and DA (17.58%). In a real‐world application, it achieved the best %dev, surpassing EWOA (6.64%), GWO (6.34%), ALO (9.01%), and DA (12.24%). These findings highlight hGWOAM’s potential for optimizing logistics, reducing operational costs, and minimizing environmental impact while also paving the way for future advancements in metaheuristic optimization.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».