Physical programming and conjoint analysis-based redundancy allocation in multistate systems: A Taguchi embedded algorithm selection and control (TAS&C) approach
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
Amidst increasing system complexity and technological advancements, the manufacturer aims to win the consumer's trust to maintain his or her permanent goodwill. This expectation directs the manufacturer to address the problem of attaining desired quality and reliability standards; hence, the measure of performance of a system in terms of reliability and utility optimization poses an issue of primary concern. In order to meet the requirement of a reliable and trouble-free product, optimal allocation of all conflicting parameters is essential during the design phase of a system. With this in mind, this paper presents a physical programming and conjoint analysis-based redundancy allocation model (PPCA-RAM) for a multistate series—parallel system. Use of physical programming approach is the key feature of the proposed algorithm to eliminate the need for multi-objective optimization. Physical programming methodology provides an adequate balance among various associated performance measures and thus provides an efficient tool for formulating the objective function of a practical redundancy allocation problem. The proposed model has been addressed by a novel methodology called Taguchi embedded algorithm selection and control (TAS&C). An illustrative example has been presented to authenticate the efficiency of the proposed model and algorithm. The results obtained are compared with the genetic algorithm (GA), artificial immune system (AIS), and particle swarm optimization (PSO), where TAS&C was seen to significantly outperform the rest.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle