Efficient Algorithm for the Nonadditive Traffic Assignment Problem With Link Capacity Constraints
Notice bibliographique
Résumé
This paper presents an insightful examination of the modeling and efficient solution algorithm for the link capacitated nonadditive traffic assignment problem (CNaTAP) to provide highly accurate flow solutions for large‐scale networks. Despite the increasing significance of the CNaTAP, the ability to efficiently solve it for satisfactory accuracy in practical applications remains inadequate. Given that existing CNaTAP models and algorithms are typically limited to small experimental networks, the CNaTAP model is formulated as a variational inequality (VI) problem in this paper. This formulation is decomposed into two VI subproblems that involve equilibrium and capacity constraints, utilizing the Karush–Kuhn–Tucker (KKT) conditions. The Lagrangian multipliers for the capacity constraints are treated as fixed costs for the links in the equilibrium subproblem, ensuring the stability of the Cartesian product structure within the feasible set. This approach facilitates the decomposition of OD pairs, enabling the efficient solution of CNaTAP in large‐scale networks. In addition, an algorithmic framework is developed that incorporates high‐frequency updates of these Lagrangian multipliers, along with an adaptive Barzilai–Borwein (ABB) step‐size calculation method applied to expedite convergence in the equilibrium subproblem. Extensive numerical experiments confirm the efficacy of the proposed algorithm in efficiently solving large‐scale networks with high convergence accuracy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».