MétaCan
Menu
Retour à la cohorte
Enregistrement W2052776381 · doi:10.1108/13552510510601348

Optimal design of series production lines with unreliable machines and finite buffers

2005· article· en· W2052776381 sur OpenAlexaff
Mustapha Nourelfath, Nabil Nahas, Daoud Aı̈t-Kadi

Notice bibliographique

RevueJournal of Quality in Maintenance Engineering · 2005
Typearticle
Langueen
DomaineEngineering
ThématiqueScheduling and Optimization Algorithms
Établissements canadiensUniversité LavalUniversité du QuébecUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesnon disponible
Mots-clésMathematical optimizationSeries (stratigraphy)Production lineOptimal designHeuristicComputer scienceProduction (economics)Constraint (computer-aided design)Ant colony optimization algorithmsAnt colonyEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to formulate a new problem of the optimal design of a series manufacturing production line system, and to develop an efficient heuristic approach to solve it. The optimal design objective is to maximize the efficiency subject to a total cost constraint. Design/methodology/approach To estimate series production line efficiency, an analytical decomposition‐type approximation is used. The optimal design problem is formulated as one of combinatorial optimization where the decision variables are buffers and types of machines. This problem is solved by developing and demonstrating a problem‐specific ant system algorithm. Numerical examples illustrate the effectiveness of the algorithm. Findings It has been found that this algorithm can always find near‐optimal or optimal solutions quickly. The approach developed in this paper for manufacturing lines can be adapted for power systems and telecommunication systems. Originality/value The paper presents a new approach for the optimal design of buffered series production lines. This optimization approach aims at selecting both the machines and the levels of buffers. The paper also develops an efficient solution approach based on the ant system meta‐heuristic.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,240
Écart entre enseignants0,224 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations28
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Quality in Maintenance EngineeringMême sujetScheduling and Optimization AlgorithmsTravaux en français237 207