Hybridation de l’algorithme de colonie de Fourmis avec l’algorithme de recherche à grand Voisinage pour la résolution du VRPTW statique et dynamique
Bibliographic record
Abstract
-Le problème de tournées de véhicules (Vehicle Routing Problem – VRP) est l’un des problèmes d’optimisation combinatoire les plus étudiés dans le domaine du transport. Il consiste à visiter des clients à partir d’un ou de plusieurs dépôts au moyen d’une flotte de véhicules, avec un coût minimal. Le VRP est un problème NP-complet, pour lequel il n’existe à l’heure actuelle aucun algorithme connu capable de le résoudre en un temps polynomial; c’est la raison fondamentale pour laquelle les métaheuristiques ont été fortement sollicitées. Dans ce papier, nous étudions le problème VRP avec fenêtre de temps (VRP with Time Windows – VRPTW), auquel on impose une fenêtre de temps dans laquelle la livraison doit être effectuée. Nous nous intéressons au cas statique et au cas dynamique dans lequel nous prenons en compte l’apparition de nouveaux clients au cours du temps. Après avoir présenté les caractéristiques propres au problème dynamique traité dans ce papier, nous proposons une approche de résolution basée sur l’utilisation de l’algorithme d’optimisation par colonie de fourmis (Ant Colony Optimization – ACO) hybridé avec l’algorithme de recherche à grand voisinage (Large Neighborhood Search – LNS) dans le cas statique. Ensuite, nous adaptons cette approche afin de résoudre le problème dans un contexte dynamique. Finalement, nous présentons les résultats numériques qui confirment la pertinence de l’approche que nous développons dans cet article.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".