Robot-aided electric vehicle routing problem with lockers and prime customers prioritization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Satisfactory and fast customer service is one of the critical parts of last-mile delivery. Companies like Amazon prioritize Prime members with same-day delivery while offering lockers for customer convenience. Additionally, robot-aided Electric Vehicle (EV) delivery is recognized for its cost efficiency and fast service in densely populated areas. Integrating EVs, delivery robots, and lockers, and prioritizing Prime customers can improve efficiency and service responsiveness. This integrated approach offers home delivery by EVs and robots and self-pickup from lockers. Every customer is assigned a prize (profit), with a higher profit associated with the Prime membership. Each EV dispatches robots, with a “dispatch-wait-collect” tactic, to serve the customers, while some customers are allocated to the lockers. This study introduces the Robot-Aided Electric Vehicle Routing Problem with Lockers and Prime Customer Prioritization (REVRP-LPCP), which aims to determine the least-cost routes for EVs and robots, assign customers to lockers, and prioritize prime customers by serving them within a single-period planning horizon. The REVRP-LPCP is formulated using a mixed-integer linear programming model, improving the EV-only-based delivery system by 52.94% and 21.95% in EV route and utilization costs on average. A metaheuristic is introduced, incorporating problem-specific repair and improvement operators to efficiently address large instances of the problem, outperforming Gurobi in 36 large instances by an average of 2.79% in terms of solution quality. Also, our method has identified 44 new best solutions in the related benchmarks. A comprehensive sensitivity analysis is conducted, assessing various scenarios and providing managerial insights.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle