Route optimization for open-close multiple travelling salesman problem with load-balancing constraint: A multi-chromosome based genetic algorithm
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
The Multiple Travelling Salesman Problem (MTSP) is one of the prominent combinatorial optimization problems with both theoretical interest and practical applications. However, its less-explored variants, such as the Open-Close Multiple Travelling Salesman Problem (OCMTSP), have received comparatively limited attention. In the OCMTSP, all salesmen commence their routes from a central depot, but unlike the classical MTSP, not all are required to return to the starting point upon completing their deliveries. Additionally, allowing any salesman to visit the maximum number of cities can lead to an imbalanced workload distribution among the salesmen. To address this imbalance, the current study incorporates a load balancing constraint into the OCMTSP framework, ensuring a fair distribution of cities among all salesmen. This extended problem variant is termed as Open-Close Multiple Travelling Salesman Problem with Load Balancing (OCMTSPLB). The primary objective of the OCMTSPLB is to minimize the total travel distance or cost incurred by the combined open and closed tours while maintaining balanced workloads. To solve this variant, the study proposes two distinct crossover based multi-chromosome Genetic Algorithm (GA) frameworks. Given the novelty of this problem, the algorithms are assessed using standardized benchmark instances from the TSPLIB. Experimental findings indicate that one of the proposed GA variants consistently achieves superior solution quality, a result further validated through non-parametric statistical tests.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 découle