Column generation and local search for the profit-oriented hub-line location problem with elastic demands
Notice bibliographique
Résumé
Population growth and city sprawl have been driving increasing amounts of traffic congestion in multiple major cities worldwide. In this scenario, developing efficient public transportation networks becomes critical to ensure adequate mobility. Hub network location models address the problems of designing public transit networks to model — and to optimize — passenger mobility. More specifically, hub-line location problems (HLLP) play an essential role in the design of rapid transit corridors and subway lines. In this work we address the profit-oriented hub-line location problem (ED-HLLP) for which we introduce a column generation method to solve the linear relaxation of a mixed-integer model and matheuristic that combines column generation and local search. The proposed methodologies lead to the calculation of primal and dual bounds. We assess the performance of the proposed methods on some classic datasets from the HLLP literature. Furthermore, we conduct a study based on real-world data representing the metropolitan area of Montreal, Canada. Finally, we conduct a sensitivity analysis to assess the major attributes driving our results, both from an algorithmic point of view as well as from a planning perspective. The numerical results show that the proposed methods produce high-quality solutions, reduce computational times, and address the model’s combinatorial complexity more effectively than a commercial off-the-shelf solver, allowing for the solution of larger problems otherwise untractable for the latter. • We introduce a column generation (CG) method for the ED-HLLP. • CG allows for the computation of strong dual bounds in moderate computing times. • Introduce a hybrid matheuristic that combines CG with local search (CG+LS). • CG+LS is capable of producing strong primal bounds in short computing times. • We perform a sensitivity analysis and derive 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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,005 | 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 ».