Improved Policies for Solid Waste Management in the Municipality of Hamilton‐Wentworth, Ontario
Notice bibliographique
Résumé
Abstract Public planning formulation can prove especially complicated when system components contain considerable degrees of uncertainty. Earlier research had demonstrated the utility of using evolutionary simulation‐optimization (ESO) for solid waste planning in the Municipality of Hamilton‐Wentworth, Ontario. This paper demonstrates how both penalty function minimization and grey programming (GP) can be integrated into ESO in order to efficiently generate multiple good policy alternatives that meet the Municipality's required system criteria for solid waste management. Since ESO techniques can be adapted to problems in which many system components are stochastic, the practicality of this approach can be extended into many other operational and strategic planning applications containing significant sources of uncertainty. Résumé La formulation de la planification publique peut se révéler particulièrement compliquée quand les composantes du système sont porteuses de degrés considérables d'incertitude. La recherche antérieure a démontré l'importance de l'utilisation de la méthode dite evolutionary simulation‐optimization (ESO) dans la gestion des déchets solides dans la municipality de Hamilton‐Wentworth (Ontario). Le présent article met en évidence la façon dont la minimisation de la fonction de pénalité et la programmation grise (GP) peuvent être intégrés à ESO afin de produire efficacement de bonnes solutions de rechange politique qui satisfont la grille de critères en vigueur dans la municipalité. Étant donné que les techniques d'ESO peuvent être adaptées aux problèmes dans lesquels les composantes du système sont stochastiques, le caractère pratique de cette approche peut être appliquée dans beaucoup d'autres domaines de planification stratégique et opérationnelle porteurs de multiples sources d'incertitude.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 ».