Generating Alternatives Using Simulation-Optimization Combined with Niching Operators to Address Unmodelled Objectives in a Waste Management Facility Expansion Planning Case
Notice bibliographique
Résumé
Public sector decision-making typically involves complex problems that are riddled with incompatible performance objectives and possess competing design requirements which are very difficult – if not impossible – to quantify and capture when supporting decision models need to be constructed. There are invariably unmodelled design issues, not apparent at the time of model creation, which can greatly impact the acceptability of the solutions proposed by the model. Consequently, it is generally preferable to create several quantifiably good alternatives that provide multiple, disparate perspectives and very different approaches to the particular problem. These alternatives should possess near-optimal objective measures with respect to the known modelled objective(s), but be fundamentally different from each other in terms of the system structures characterized by their decision variables. By generating a set of very different solutions, it is hoped that some of the dissimilar alternatives can provide very different perspectives that may serve to satisfy the unmodelled objectives. This study shows how simulation-optimization (SO) modelling can be combined with niching operators to efficiently generate multiple policy alternatives that satisfy required system performance criteria in stochastically uncertain environments and yet are maximally different in the decision space. This new stochastic approach is very computationally efficient, since it permits the simultaneous generation of good solution alternatives in a single computational run of the SO algorithm. The efficacy and efficiency of this modelling-to-generate-alternatives (MGA) method is specifically demonstrated on a municipal solid waste management facility expansion case.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».