Overnight technician routing and scheduling problem with time windows and balanced workloads: a bi-objective zebra optimization algorithm
Notice bibliographique
Résumé
In this paper, we develop a mathematical model of a technician routeing and scheduling problem with time windows (TRSPTW) and overnight shifts, which we title the ‘overnight TRSPTW’. This problem is motivated by a real application in the telecommunications industry in Saskatchewan, Canada. A mixed-integer nonlinear programming (MINLP) model is employed to achieve two key objectives: (1) minimising the total costs associated with technicians and subcontractors, including travel costs, accommodation costs and penalty costs caused by late starts and (2) minimising imbalanced workloads. Furthermore, the present work aims to determine the daily assignment of technicians to communities, depots and routes; find a high-quality schedule for technicians’ start times in communities and lunch breaks and determine the daily assignment of tasks to the subcontractor. The bi-objective MINLP model used to solve the overnight TRSPTW is a typical NP-hard problem in combinatorial optimisation. As such, we introduce a new hybrid category of TRSPTW that combines centroid-based clustering, which is an unsupervised machine learning (ML) approach, with a bi-objective zebra optimisation algorithm (BOZOA). The resultant algorithm blends the advantages of the ZOA and ML to strike a balance between the exploration and exploitation of the solution region. Finally, we compare our results with those obtained using an exact solver for small-, medium-, and large-sized instances. The performance evaluation and validation results revealed that the proposed ML-based BOZOA provides very good performance in solving TRSPTWs at a variety of scales with respect to the optimality criteria, including, number of taken iterations, infeasibility, optimality error and complementarity compared with both an exact solver and two inspired algorithms from ZOA.Highlights An ML-based bi-objective zebra optimisation algorithm to treat large-scale TRSPsCentroid-based clustering on the population of zebras to avoid bias towards a specific search spaceMaking a trade-off between exploration and exploitation of the feasible region in the developed algorithmA new MINLP model of a weighted bi-objective TRSP with limited capacity depotsWorkload function, penalty function for lateness, subcontracts, time windows for tasks and breaksExperiments using real data to show the performance of the model and solution method
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 ».