Optimized scheduling and buffering of repetitive construction projects under uncertainty
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
Abstract Purpose Construction projects are complex projects taking place in dynamic environments, which necessitates accounting for different uncertainties during the planning stage. There is a significant lack of management tools for repetitive projects accounting for uncertainties in the construction environment. The purpose of this paper is to present an algorithm for the optimized scheduling of repetitive construction projects under uncertainty. Design/methodology/approach Fuzzy set theory is utilized to model uncertainties associated with various input parameters. The developed algorithm has two main components: optimization component and buffering component. The optimization component presents a dynamic programming approach that processes fuzzy numbers. The buffering component converts the optimized fuzzy schedule into a deterministic schedule and inserts time buffers to protect the schedule against anticipated delays. Agreement Index (AI) is used to capture the user's desired level of confidence in the produced schedule while sizing buffers. The algorithm is capable of optimizing for cost or time objectives. An example project drawn from literature is analysed to demonstrate the capabilities of the developed algorithm and to allow comparison of results to those previously generated. Findings Testing the algorithm revealed several findings. Fuzzy numbers can be utilized to capture uncertainty in various inputs without the need for historical data. The modified algorithm is capable of optimizing schedules, for different objectives, under uncertainty. Finally AI can be used to capture users' desired confidence in the final schedule. Originality/value Project planners can utilize this algorithm to optimize repetitive projects schedules, while modelling uncertainty in different input parameters, without the need for relevant historical data.
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 | 0,001 |
| 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