Optimizing Production Decisions Using a Hybrid Simulation–Genetic Algorithm Approach
Notice bibliographique
Résumé
Mathematical programming has for a long time been recognized as a powerful tool. Despite its capacity for solving constrained optimization problems under uncertainty, some methodological obstacles have persisted over the years. The main problem is that the eventually complex results of an unbiased statistical analysis (multiple correlated stochastic variables with different distributions and nonadditive links between) cannot be adequately accounted for within minimization of total absolute deviation (MOTAD) or expected value‐variance (EV) models that rely on the algorithmic determination of the variability measure. In this paper, we develop a methodological hybrid consisting of Monte Carlo simulation and genetic algorithms: the Monte Carlo simulation facilitates the easy representation of diverse stochastic processes and correlation, and the genetic algorithm ensures that the optimization procedure remains applicable even in the case of complex stochastic information. This hybrid approach is applied to the production‐planning problem of a German crop farm. Variant calculations are used to account for the unknown risk attitude of the farmer. Model results demonstrate that optimized production programs and expected total gross margins are not only highly sensitive to the risk attitude, but also to the stochastic processes that are estimated (or assumed) for various activities. We furthermore find evidence that the hybrid approach is able to generate considerable improvement in farm‐program decisions and outperforms planning models that assume static distributions. La programmation mathématique est reconnue depuis longtemps comme étant un outil puissant. Malgré sa capacitéà résoudre des problèmes d'optimisation avec contraintes en situation d'incertitude, certains obstacles méthodologiques ont persisté au fil du temps. Le principal problème réside dans le fait que les résultats éventuellement complexes d'une analyse statistique non biaisée (plusieurs variables aléatoires corrélées avec différentes distributions et des liens non additifs entre elles) ne peuvent être adéquatement représentés dans les modèles MOTAD et E‐V qui dépendent de la détermination algorithmique de la mesure de la variabilité. Dans le présent article, nous avons élaboré une méthode hybride à partir d'une simulation de Monte Carlo et d'algorithmes génétiques: la simulation de Monte Carlo facilite la représentation de divers processus stochastiques et de diverses corrélations, et l'algorithme génétique assure que la procédure d'optimisation demeure applicable même dans le cas d'information stochastique complexe. Cette méthode hybride est appliquée au problème de planification de la production auqúel est confrontée une exploitation de cultures en Allemagne. Des calculs de variantes sont utilisés pour tenir compte de l'attitude inconnue du producteur quant au risque. Les résultats du modèle indiquent que les programmes de production optimisés et les marges brutes totales prévues ne sont pas uniquement sensibles à l'attitude face aux risques mais aussi aux processus stochastiques qui sont estimés (ou supposés) pour diverses activités. Nous avons également trouvé que la méthode hybride peut améliorer considérablement les décisions concernant les programmes agricoles et qu'elle est supérieure aux modèles de planification qui supposent des distributions statiques.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».