A variable neighbourhood search for integrated production and preventive maintenance planning in multi-state systems
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
This paper presents a variable neighbourhood search (VNS) to the integrated production and maintenance planning problem in multi-state systems. VNS is one of the most recent meta-heuristics used for problem solving in which a systematic change of neighbourhood within a local search is carried out. In the studied problem, production and maintenance decisions are co-ordinated, so that the total expected cost is minimised. We are given a set of products that must be produced in lots on a multi-state production system during a specified finite planning horizon. Planned preventive maintenance and unplanned corrective maintenance can be performed on each component of the multi-state system. The maintenance policy suggests cyclical preventive replacements of components, and a minimal repair on failed components. The objective is to determine an integrated lot-sizing and preventive maintenance strategy of the system that will minimise the sum of preventive and corrective maintenance costs, setup costs, holding costs, backorder costs and production costs, while satisfying the demand for all products over the entire horizon. We model the production system as a multi-state system with binary-state components. The formulated problem can be solved by comparing the results of several multi-product capacitated lot-sizing problems. The proposed VNS deals with the preventive maintenance selection task. Results on test instances show that the VNS method provides a competitive solution quality at economically computational expense in comparison with genetic algorithms.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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