A comparative study of heuristic algorithms to solve maintenance scheduling problem
Notice bibliographique
Résumé
Purpose The purpose of this paper is to compare the effectiveness of two meta‐heuristics in solving the problem of scheduling maintenance operations and jobs processing on a single machine. Design/methodology/approach The two meta‐heuristic algorithms, tabu search and simulated annealing are hybridized using the properties of an optimal schedule identified in the existing literature to the problem. A lower bound is also suggested utilizing these properties. Finding In a numerical experimentation with large size problems, the best‐known heuristic algorithm to the problem is compared with the tabu search and simulated annealing algorithms. The study shows that the meta‐heuristic algorithms outperform the heuristic algorithm. In addition, the developed meta‐heuristics tend to be more robust against the problem‐related parameters than the existing algorithm. Research limitations/implications A future work may consider the possibility of machine failure along with the preventive maintenance. This relaxes the assumption that the machine cannot fail but it is rather maintained preventively. The multi‐criteria scheduling can also be considered as an avenue of future work. The problem can also be considered with stochastic parameters such that the processing times of the jobs and the maintenance related parameters are random and follow a known probability distribution function. Practical implications The usefulness of meta‐heuristic algorithms is demonstrated for solving a large scale NP‐hard combinatorial optimization problem. The paper also shows that the utilization of the directed search methods such as hybridization could substantially improve the performance of a meta‐heuristic. Originality/value This research highlights the impact of utilizing the directed search methods to cause hybridization in meta‐heuristic and the resulting improvement in their performance for large‐scale optimization.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».