自适应大邻域搜索求解大规模取送货问题
本文是"Los Movimientos"系列的第二部分,源于作者在石油天然气行业的工作经历,涉及人员与工具运输两个独立问题。第一部分聚焦人员运输,采用混合整数线性规划(MILP)模型精确求解小规模案例。然而,随着请求数量增加,MILP的扩展性不足,每新增一个请求都需决定车辆分配、访问顺序及约束条件,导致计算量急剧增长。第二部分转向自适应大邻域搜索(ALNS)这一元启发式算法,以应对更大规模、更复杂的取送货问题,包括车辆容量、时间窗、取货优先于送货等约束。ALNS通过破坏和修复操作动态探索解空间,在合理时间内获得高质量解,适用于零售、物流、外卖等行业的实际调度场景。 #取送货问题 #ALNS #自适应大邻域搜索 #物流优化 #元启发式算法 #MILP #车辆路径问题 #运筹学
本文是"Los Movimientos"系列的第二部分,源于作者在石油天然气行业的工作经历,涉及人员与工具运输两个独立问题。第一部分聚焦人员运输,采用混合整数线性规划(MILP)模型精确求解小规模案例。然而,随着请求数量增加,MILP的扩展性不足,每新增一个请求都需决定车辆分配、访问顺序及约束条件,导致计算量急剧增长。第二部分转向自适应大邻域搜索(ALNS)这一元启发式算法,以应对更大规模、更复杂的取送货问题,包括车辆容量、时间窗、取货优先于送货等约束。ALNS通过破坏和修复操作动态探索解空间,在合理时间内获得高质量解,适用于零售、物流、外卖等行业的实际调度场景。 #取送货问题 #ALNS #自适应大邻域搜索 #物流优化 #元启发式算法 #MILP #车辆路径问题 #运筹学
数据湖中实体键漂移的规避
在IoT数据分析中,直接使用观测字符串作为实体标识符存在隐藏成本。当真实数据出现时,空格差异、大小写变异、拼写错误或重新配置会导致单一物理实体分裂成多个键,进而使仪表盘的计数、平均值和阈值警报全部出错。作者通过719个真实环境传感器(涵盖SNMP、Kubernetes和Prometheus系统)展示了这一失败模式,并引入解决方案:从观测字符串派生自然键,而非直接生成标识符。该方案已在openSenseMap API上实现,完整代码开源。问题核心在于将观测字符串视为身份,而非代理键本身。文章适用于分析设备群遥测、多源数据关联或审计记录密封的场景。 #数据湖 #IoT #实体键漂移 #归一化 #数据分析 #开源
在IoT数据分析中,直接使用观测字符串作为实体标识符存在隐藏成本。当真实数据出现时,空格差异、大小写变异、拼写错误或重新配置会导致单一物理实体分裂成多个键,进而使仪表盘的计数、平均值和阈值警报全部出错。作者通过719个真实环境传感器(涵盖SNMP、Kubernetes和Prometheus系统)展示了这一失败模式,并引入解决方案:从观测字符串派生自然键,而非直接生成标识符。该方案已在openSenseMap API上实现,完整代码开源。问题核心在于将观测字符串视为身份,而非代理键本身。文章适用于分析设备群遥测、多源数据关联或审计记录密封的场景。 #数据湖 #IoT #实体键漂移 #归一化 #数据分析 #开源