In this section, we aim at answerin

In this section, we aim at answering our first question: How does the optimal assignment of bikes to stations depend on the probability distribution of the rental demand? Table 3 shows the optimal number of bikes x * i , i.e. the number of bikes assigned to each bike-station i ∈ Bat the beginning of the service, under the four considered probability distributions, using 500 scenarios. The results show that the optimal solutions under the assumption of Uniform, Normal and Log-normal distributions are similar, with a total number ranging from 200 to 205 (see last column), while a different behavior is obtained with the Exponential distribution: When we place more under the former distributions, we place less under the latter, and vice versa. This is mainly due to the different shape of the Exponential distribution. The average op- timal number of bikes over all the bike-sharing stations is 9 under the assumptions of Uniform, Normal and Log-normal distributions, while it is 16 bikes under the assumption of the Exponential distribution. Interestingly, the optimal stochastic solution suggests a fleet size, as the total number of bikes initially allocated to the stations, to be less than 1/3 of the 660 = 30 ·22 available slots, for Uniform, Normal and Log-normal distributions while more than 1/2 for the Exponential. This low “utilization rate” of slots is there to avoid too high overflow, stock-out and transshipping costs.

結果 (繁體中文) 1:

在本節中，我們的目標是在回答我們的第一個問題：如何自行車的最佳分配站取決於租賃需求的概率分佈？表3示出了自行車的最佳數x * 1，即，分配給每個自行車站點i∈蝙蝠的服務的開始自行車的數量，四考慮概率分佈下，使用500個場景。結果表明，均勻的假設下的最優解，正常和對數正態分佈是相似的，範圍從200至205（參見最後一列）的總數，而與指數分佈而獲得的不同的行為：當我們放置更多前者分佈下，我們將更低溫度下後，反之亦然。這主要是由於指數分佈的不同的形狀。在所有的自行車共享站自行車的平均OP- timal數為9均勻，正常和數正態分佈的假設下，雖然是指數分佈的假設下16自行車。有趣的是，最佳的隨機溶液表明車隊大小，初始分配給站自行車，總數為小於660 = 30·22可用時隙的1/3，為統一，正常和Log-正態分佈而超過1/2的指數。槽的這種低“使用率”有沒有避免過高溢出，斷貨和轉運成本。最優隨機溶液表明車隊大小，初始分配給站自行車，總數為小於1/3 660 = 30·22可用時隙，為統一，正常和數正態分佈，而超過1/2的指數。槽的這種低“使用率”有沒有避免過高溢出，斷貨和轉運成本。最優隨機溶液表明車隊大小，初始分配給站自行車，總數為小於1/3 660 = 30·22可用時隙，為統一，正常和數正態分佈，而超過1/2的指數。槽的這種低“使用率”有沒有避免過高溢出，斷貨和轉運成本。

結果 (繁體中文) 2:

在本節中，我們旨在回答我們的第一個問題：自行車到車站的最佳分配如何取決於租賃需求的概率分佈？表 3 顯示了使用 500 種方案，在四個考慮的概率分佈下，分配給每個自行車站 i = 蝙蝠的自行車數量 x = 即最佳自行車數量。結果表明，在統一分佈、正態分佈和對數正態分佈假設下，最佳解相似，總數範圍為200至205（見最後一列），而指數分佈則不同：當我們在前者分佈下放置更多時，我們較少置於後者之下，反之亦然。這主要是由於指數分佈的形狀不同。在統一、正態和日誌正態分佈的假設下，所有自行車共用站的平均運營自行車數量為 9，而指數分佈假設為 16 輛自行車。有趣的是，最佳隨機解決方案建議車隊規模，因為最初分配給車站的自行車總數小於 660 × 30 +22 可用插槽的 1/3，用於均勻、正態和對數正態分佈，而指數的分佈超過 1/2。插槽的這種低"利用率"是為了避免過高的溢出、出貨和轉運成本。

結果 (繁體中文) 3:

在本節中，我們旨在回答我們的第一個問題：自行車到車站的最佳分配如何取決於租賃需求的概率分佈？錶3顯示了在四種考慮的概率分佈下，使用500種情况下，自行車x*i的最佳數量，即分配給每個自行車站i∈Bat服務開始時的自行車數量。結果表明，在均勻常态分配、常态分配和對數常态分配的假設下，最優解是相似的，其總數在200到205之間（見最後一列），而在指數分佈下得到了不同的結果：當我們在前一個分佈下放置更多時，我們在後一個分佈下放置更少，並且反之亦然。這主要是由於指數分佈的形狀不同。在均勻分佈、常态分配和對數常态分配的假設下，所有自行車共亯站的平均自行車數量為9輛，而在指數分佈的假設下，平均自行車數量為16輛。有趣的是，最優隨機解表明，對於均勻常态分配、常态分配和對數常态分配，車隊規模（最初分配給網站的自行車總數）小於660=30.22個可用車位的1/3，而對於指數分佈，車隊規模大於1/2。這種低“利用率”的插槽是為了避免過高的溢出，缺貨和轉運成本。