Spelling suggestions: "subject:"fullstack"" "subject:"doubletracking""
1 |
Load sequencing for double-stack trainsPerrault, William 12 1900 (has links)
No description available.
|
2 |
The load planning problem for double-stack intermodal trainsMantovani, Serena 04 1900 (has links)
Les trains qui transportent des conteneurs empilés (en deux niveaux) sont un élément important
du reseau de transport nord-americain. Le probleme de chargement des wagons correspond un
probleme operationnel d'utilisation rencontre dans les terminaux ferroviaires. Elle consiste
optimiser l’affectation des conteneurs des emplacements spécifiques sur les wagons.
Ce mémoire est centré sur un article scientifique traitant le chargement optimal publié dans
le Journal Européen de Recherche Opérationnelle (Volume 267, Numéro 1, Pages 107-119, 2018).
Nous avons formule un modele lineaire en nombres entiers (ILP) et apporte un certain nombre
de contributions. Premierement, nous avons proposé une méthodologie générale qui peut traiter
des wagons double ou simple empilement avec des «patrons» de chargement arbitraires. Les
les patrons tiennent un compte des dépendances de chargement entre les plateformes sur un wagon
donne. Deuxiemement, nous avons modéliser les restrictions du centre de gravité (COG), les
regles d’empilement et un nombre de restrictions techniques de chargement associees certains
types de conteneurs et / ou de marchandises. Les resultats montrent que nous pouvons resoudre
des instances de taille realiste dans un d´elai raisonnable en utilisant un solveur ILP commercial
et nous illustrons que le fait de ne pas tenir compte de la correspondance conteneurs-wagons
ainsi que des restrictions COG peut conduire une surestimation de la capacité disponible. / Double-stack trains are an important component of the railroad transport network for containerized cargo in specific markets such as North America. The load planning problem embodies an operational problem commonly faced in rail terminals by operators. It consists in optimizing the assignment of containers to specific locations on the train. The work in this thesis is centered around a scientific paper on the optimization on load planning problem for double stack-trains, published in the European Journal of Operation Research (Volume 267, Issue 1, Pages 1-398) on 16 May 2018. In the paper, we formulated an ILP model and made a number of contributions. First, we proposed a general methodology that can deal with double- or single-stack railcars with arbitrary loading patterns. The patterns account for loading dependencies between the platforms on a given railcar. Second, we modeled Center of gravity (COG) restrictions, stacking rules and a number of technical loading restrictions associated with certain types of containers and/or goods. Results show that we can solve realistic size instances in reasonable time using a commercial ILP solver and we illustrate that failing to account for containers-to-cars matching as well as COG restrictions may lead to an overestimation of the available train capacity.
|
3 |
On two sequential problems : the load planning and sequencing problem and the non-normal recurrent neural networkGoyette, Kyle 07 1900 (has links)
The work in this thesis is separated into two parts. The first part deals with the load planning and sequencing problem for double-stack intermodal railcars, an operational problem found at many rail container terminals. In this problem, containers must be assigned to a platform on which the container will be loaded, and the loading order must be determined. These decisions are made with the objective of minimizing the costs associated with handling the containers, as well as minimizing the cost of containers left behind. The deterministic version of the problem can be cast as a shortest path problem on an ordered graph. This problem is challenging to solve because of the large size of the graph. We propose a two-stage heuristic based on the Iterative Deepening A* algorithm to compute solutions to the load planning and sequencing problem within a five-minute time budget. Next, we also illustrate how a Deep Q-learning algorithm can be used to heuristically solve the same problem.The second part of this thesis considers sequential models in deep learning. A recent strategy to circumvent the exploding and vanishing gradient problem in recurrent neural networks (RNNs) is to enforce recurrent weight matrices to be orthogonal or unitary. While this ensures stable dynamics during training, it comes at the cost of reduced expressivity due to the limited variety of orthogonal transformations. We propose a parameterization of RNNs, based on the Schur decomposition, that mitigates the exploding and vanishing gradient problem, while allowing for non-orthogonal recurrent weight matrices in the model. / Le travail de cette thèse est divisé en deux parties. La première partie traite du problème de planification et de séquencement des chargements de conteneurs sur des wagons, un problème opérationnel rencontré dans de nombreux terminaux ferroviaires intermodaux. Dans ce problème, les conteneurs doivent être affectés à une plate-forme sur laquelle un ou deux conteneurs seront chargés et l'ordre de chargement doit être déterminé. Ces décisions sont prises dans le but de minimiser les coûts associés à la manutention des conteneurs, ainsi que de minimiser le coût des conteneurs non chargés. La version déterministe du problème peut être formulé comme un problème de plus court chemin sur un graphe ordonné. Ce problème est difficile à résoudre en raison de la grande taille du graphe. Nous proposons une heuristique en deux étapes basée sur l'algorithme Iterative Deepening A* pour calculer des solutions au problème de planification et de séquencement de la charge dans un budget de cinq minutes. Ensuite, nous illustrons également comment un algorithme d'apprentissage Deep Q peut être utilisé pour résoudre heuristiquement le même problème.
La deuxième partie de cette thèse examine les modèles séquentiels en apprentissage profond. Une stratégie récente pour contourner le problème de gradient qui explose et disparaît dans les réseaux de neurones récurrents (RNN) consiste à imposer des matrices de poids récurrentes orthogonales ou unitaires. Bien que cela assure une dynamique stable pendant l'entraînement, cela se fait au prix d'une expressivité réduite en raison de la variété limitée des transformations orthogonales. Nous proposons une paramétrisation des RNN, basée sur la décomposition de Schur, qui atténue les problèmes de gradient, tout en permettant des matrices de poids récurrentes non orthogonales dans le modèle.
|
Page generated in 0.0297 seconds