JOBASRPRDTW benchmark: instances, non-dominated fronts, hypervolume curves and analysis scripts (60 dataset-instance blocks, 8 methods, 30 seeds)
Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
12/08/2026
Fecha de creación:
10/08/2026
Clasificación temática
Palabras clave
ORDER BATCHING , PICKER ROUTING , ORDER PICKING , DOCK TIME WINDOWS , ROLL-CAGE , MOEA/D , SMS-EMOA , NSGA-II , AASF , MULTIOBJECTIVE OPTIMIZATION , HYPERVOLUME , PARETO FRONT , GPU , CUDA , BENCHMARK INSTANCES
Resumen
Conjunto de datos del problema integrado de conformación de lotes, ruteo de pickers, asignación picker-carro, reutilización de carros jaula y ventanas temporales de dock (JOBASRPRDTW), formulado como problema biobjetivo. Comprende las instancias de referencia, los frentes no dominados obtenidos, las curvas de hipervolumen y los scripts de análisis y verificación de la campaña experimental completa: 60 bloques dataset-instancia, 8 métodos y 30 semillas por instancia, esto es 14.400 ejecuciones. Los métodos comparados son MOEA/D con seis funciones escalarizantes (TCH, PBI, PSF, AASF y las variantes propuestas AASF-BAL y AASF-EXT), NSGA-II y SMS-EMOA, evaluados mediante un decodificador determinista e implementados con CUDA sobre GPU. El material permite reproducir y auditar los resultados del manuscrito asociado, y reutilizar las instancias como banco de pruebas para nuevos algoritmos multiobjetivo. Research dataset for the biobjective integrated order batching, picker routing, picker-cart assignment, roll-cage reuse and dock time windows problem (JOBASRPRDTW). It contains the benchmark instances, the non-dominated fronts, the hypervolume curves and the analysis and verification scripts of the full experimental campaign: 60 dataset-instance blocks, 8 methods and 30 seeds per instance (14,400 runs). Methods include MOEA/D with six scalarizing functions (TCH, PBI, PSF, AASF and the proposed AASF-BAL and AASF-EXT variants), NSGA-II and SMS-EMOA, evaluated through a deterministic decoder and implemented with CUDA on GPU.
Métodos
Los datos fueron generados por simulación computacional. Cada método se ejecutó con las mismas treinta semillas por instancia sobre seis conjuntos de datos de diez instancias cada uno, de modo que la comparación entre métodos es pareada. La evaluación de cada solución se realiza mediante un decodificador determinista: la decodificación de una solución dada es siempre la misma, con independencia del algoritmo empleado, lo que permite atribuir las diferencias observadas al mecanismo de búsqueda y no al evaluador. El archivo incluye las instancias, los frentes no dominados finales, las curvas de hipervolumen y los scripts de verificación y análisis escritos en Python, con los que se reproducen los indicadores, las superficies empíricas de logro y los contrastes estadísticos. El código se distribuye bajo licencia MIT y los datos y figuras bajo CC BY 4.0.
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Licencia Creative Commons
Excepto donde se indique lo contrario, la licencia de este ítem se describe como by
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
jobasrprdtw-benchmark-v1_0_0.zip
Archivo comprimido ZIP. Los scripts de análisis y verificación requieren Python 3 y se ejecutan por línea de comandos; los datos se distribuyen en archivos de texto plano y las figuras en formato de imagen, legibles sin software específico. El código se distribuye bajo licencia MIT y los datos y figuras bajo Creative Commons Atribución 4.0 Internacional. El conjunto completo, con el mismo contenido, está publicado en Zenodo con DOI 10.5281/zenodo.21878493.
136.17 MB