An Efficient Shortest Distance Decomposition Algorithm for Large-Scale Transportation Network Problems
Notice bibliographique
Résumé
For numerous large-scale engineering and science problems, domain decomposition (DD) has generally been accepted by research communities as among the most attractive methods to obtain solutions efficiently. As a pre-requisite for the DD solution process, a large domain must be partitioned into several smaller sub-domains, with the key to success (of any DD partitioning algorithm) being the number of system boundary nodes. The lower this number, the more efficient the sub-domains can be processed in parallel. Although various transportation researchers have hinted at the use of DD, for example, in decentralized traffic management, it is always assumed the partition is provided. This paper presents a simple, efficient and effective algorithm to decompose a transportation network into a predefined number of inter-connected sub-domains such that the number of system boundary nodes is small (first priority) and the number of nodes in each sub-domain is similar (second priority). This algorithm was based on a simplified version of the Polynomial (partitioned) Label Correcting Algorithm (P-LCA), rather than the classical (Bellman-Ford) LCA, coupled with simple heuristic rules. To assess the effectiveness (in terms of minimizing the number of system boundary nodes) of the proposed Shortest Distance Decomposition Algorithm (SDDA), it is compared with METIS, which is currently the most widely used graph partitioning algorithm world-wide. Using large-scale, real-world transportation test networks, it was found the SDDA is significantly better than METIS; the SDDA outperformed METIS in 23 of 27 examples, and on average provided (approximately) 46% fewer boundary nodes for large-scale examples.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».