MétaCan
Menu
Retour à la cohorte
Enregistrement W1865667388 · doi:10.18378/rvads.v9i4.3014

Técnicas de Tratamento de Restrições aplicado em um Algoritmo Evolucionário Multiobjetivo para Repactuação de Outorgas em uma Bacia Hidrográfica

2014· article· pt· W1865667388 sur OpenAlexaff
Fagner França da Costa, Érica Cristine Medeiros Machado, Simone Nóbrega Ribeiro, Wanessa Dunga de Assis, Wanessa Alves Martins

Notice bibliographique

RevueRevista Verde de Agroecologia e Desenvolvimento Sustentável · 2014
Typearticle
Languept
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensDiscovery Air (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhysicsHumanitiesPhilosophy

Résumé

récupéré en direct d'OpenAlex

A outorga é o instrumento de alocação de água entre os diversos usos da bacia hidrográfica, contudo, os critérios de determinação da vazão máxima outorgável são bastante restritivos, o que provoca descontentamentos e gera conflitos entre os usuários. Dessa forma, a outorga atua como fator limitante do quantitativo disponível a ser alocado, principalmente em bacias que já apontam para o esgotamento dos seus recursos hídricos outorgáveis. Algoritmos evolucionários multiobjetivo têm se destacado na otimização de problemas relacionados à gestão dos recursos hídricos. Neste trabalho utilizamos o algoritmo evolucionário multiobjetivo SPEA2 para alocação de água como suporte à negociação da repactuação da outorga em bacias hidrográficas com vazões outorgáveis insuficientes para a demanda. Diversas técnicas têm sido desenvolvidas para considerar as restrições específicas do problema e melhorar o desempenho de algoritmos evolucionários, neste trabalho analisamos o ganho de desempenho obtido pela introdução de algumas destas técnicas. Os resultados demonstram a importância da utilização das técnicas de tratamento das restrições, e a aplicabilidade da utilização do algoritmo evolucionário como sistema de suporte à decisão na gestão dos recursos hídricos.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,502
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,248
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista Verde de Agroecologia e Desenvolvimento SustentávelMême sujetWater resources management and optimizationTravaux en français237 207