A Hybrid of Genetic Algorithm and Evidential Reasoning for Optimal Design of Project Scheduling: A Systematic Negotiation Framework for Multiple Decision-Makers
Notice bibliographique
Résumé
Traditional project scheduling methods inherently assume that the decision makers (DMs) are a unique entity whose acts are based on group rationality. However, in practice, DMs’ reliance on individual rationality and the wish to optimize their own objectives skew negotiations towards their preferred solutions. This makes conventional project scheduling solutions unrealistic. Here, a new two-step method is proposed that seeks to increase the overall efficiency of project schedules without violating individual rationality criteria, to find scheduling solutions that are acceptable to all DMs. First, a genetic algorithm is combined with evidential reasoning (ER) to obtain near optimal project schedule alternatives with respect to the priorities of each DM, separately. Second, the fallback bargaining method is used to help the DMs reach a consensus on an alternative with the highest group satisfaction. The proposed model is tested on a benchmark project scheduling problem with over 3.6 billion possible project scheduling alternatives. The results show that the model helps DMs when appointing their preferences using a well-organized procedure to provide a transparent view of each project schedule performance solution. Furthermore, the model is able to absorb the maximum support from the DMs, not necessarily a unique entity, by collecting all the self-optimizing DMs’ preferences and fairly allocating the benefits.
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 | 0,007 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 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 ».