Production and setup policy optimization for hybrid manufacturing-remanufacturing systems
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
Hybrid systems that use both raw materials (manufacturing mode) and returned products (remanufacturing mode) as a supply for their production process are considered. The system studied consists of one facility that necessitates setup for switching from one production mode to another. As in industrial practice, the flow rate of returned products is usually below the market demand, switching from one mode to another is unavoidable for meeting the demand. Therefore, determining the optimal production and setup policies is critical for effectively planning production process and reducing the manufacturing cost. Evaluating system performance, we take into account production costs in manufacturing and remanufacturing modes, serviceable and return inventory costs, backlog and setup costs. We present first an analytical solution for optimal production and setup schedule along the production cycles, considering the case of reliable systems. These cycles are shown to contain intervals of production at maximal rates as well as on-demand manufacturing and on-return remanufacturing. Next, for failure-prone systems, the optimality conditions in the form of Hamilton–Jacobi–Bellman (HJB) equations are developed. Solving HJB equations numerically, the optimal production and setup policies are calculated, and it is demonstrated that the optimal trajectories converge to the production cycles) of the type determined analytically beforehand. The sensitivity analysis of the obtained solutions (both analytical and numerical) over system parameters is presented to validate the proposed approach and demonstrate the robustness of the results.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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