Méthodes exactes et heuristiques pour le problème de tournées de véhicules avec fenêtres de temps et réutilisation de véhicules
Bibliographic record
Abstract
Cette thèse porte sur les problèmes de tournées de véhicules avec\nfenêtres de temps où un gain est associé à chaque client et où l'objectif est\nde maximiser la somme des gains recueillis moins les coûts de transport.\nDe plus, un même véhicule peut effectuer plusieurs tournées durant\nl'horizon de planification. Ce problème a été relativement peu étudié en dépit de son importance en pratique. Par exemple,\ndans le domaine de la livraison de denrées périssables, plusieurs tournées de courte durée doivent être combinées afin de former des journées\ncomplètes de travail. Nous croyons que ce type de\nproblème aura une importance de plus en plus grande dans le futur avec l'avènement du commerce électronique, comme les épiceries\nélectroniques, où les clients peuvent commander des produits par internet pour la livraison à domicile.\n\nDans le premier chapitre de cette thèse, nous présentons d'abord une revue de la\nlittérature consacrée aux\nproblèmes de tournées de véhicules avec gains ainsi qu'aux problèmes permettant une\nréutilisation des véhicules. Nous présentons les\nméthodologies générales adoptées pour les résoudre, soit les méthodes exactes,\nles méthodes heuristiques et les méta-heuristiques. Nous discutons enfin des problèmes de tournées\ndynamiques où certaines données sur le problème ne sont pas connues à l'avance.\n\nDans le second chapitre, nous décrivons un algorithme\nexact pour résoudre un problème de tournées avec fenêtres de temps et réutilisation de véhicules où l'objectif premier est\nde maximiser le nombre de clients desservis. Pour ce faire, le problème est modélisé comme un problème de tournées avec\ngains. L'algorithme exact est basé sur une méthode de génération de colonnes couplée avec un algorithme de plus court\nchemin élémentaire avec contraintes de ressources.\n\nPour résoudre des instances de taille réaliste dans des temps de calcul raisonnables, une approche de résolution de nature heuristique est requise.\nLe troisième chapitre propose donc\nune méthode de recherche adaptative à grand voisinage qui exploite les différents niveaux\nhiérarchiques du problème (soit les journées complètes de travail des véhicules, les routes qui composent ces journées et les clients qui composent les routes).\n\nDans le quatrième chapitre, qui traite du cas dynamique,\nune stratégie d'acceptation et de refus des nouvelles requêtes de service est proposée, basée sur une anticipation des\nrequêtes à venir. L'approche repose sur la génération de scénarios pour\ndifférentes réalisations possibles des requêtes futures. Le coût d'opportunité de servir\nune nouvelle\nrequête est basé sur une évaluation des scénarios avec et sans cette nouvelle requête.\n\nEnfin, le dernier chapitre résume les contributions de cette thèse et propose quelques avenues\nde recherche future.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.048 | 0.005 |
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".