Solving a Multi-Objective No-Wait Flow Shop Problem by a Hybrid Multi-Objective Immune Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A frequently occurring operational problem is one of processing a given number of jobs (commodities) on a specified number of machines (facilities) -referred to by various investigators as scheduling, dispatching, sequencing, or combinations thereof In most manufacturing environments, a set of processes is needed to be serially performed in several stages before a job is completed. Such system is referred to as the flow shop environment that is one class of scheduling problems. In a flow shop problem, we consider n different jobs that need to be processed on m machines in the same order. Each job has one operation on each machine and the operation of job i on machine j has processing time p ij The early groups of flow shop researchers were quite small and these people were concentrated in a few US academic and research institutions. However, today's flow shop research community is global and from every continent and every geographical region Recently, flow shop scheduling problems have been one of the most renowned problems in the area of scheduling and there are numerous papers that have investigated this issue For instance, They introduced the current flow shop problems and the approaches were used to solve them optimally or approximately. They proposed a branch and bound algorithm for solving this problem. Grabowski and Wodecki (2004) proposed a tabu search based algorithm for the permutation flow shop problem with makespan criterion. Whang et al. (2006) dealt with a two machine flow shop scheduling problem with deteriorating jobs by minimizing the total completion time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle