Stochastic Optimization of the Repair Shops Location Problem Using Particle Swarm Optimization Algorithm
Notice bibliographique
Résumé
The optimization of facility location decisions is critical for the success of a supply chain in a market since it can contribute to long-term performance of the supply chain. In the last two decades, the number of research in this field has been growing to address more realistic problems such as incorporating uncertainties in repair time and demand. In this paper, a particle swarm optimization algorithm (PSO) is employed to locate repair shops in a stochastic environment. The problem aim is to decide about the location and the capacity of local repair shops as well as identifying the capacity of central repair shop to minimize total expected cost. It is assumed that customers select the closest local repair shop. In the local repair shops, services are available to repair customer’s broken items and a number of spare parts are stored to supply customers’ needs. Additionally, each repair shop is allowed to open some servers, depending on the number of customers, to serve its customers. If a stock-out happens, a customer should wait until the part is repaired in that shop. When a local repair shop is unable to repair a part, the part is sent to the central repair shop to be repaired. The central repair shop follows similar strategy for spare part inventory. The contribution of this paper is to employ a meta-heuristic solution approach based on particle swarm optimization for locating repair shops problem. In order to evaluate the performance of the employed solutions approach, its result is compared to other methods and differences are highlighted.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».