MCFP: A Monte Carlo Simulation-based Fuzzy Programming Approach for Optimization under Dual Uncertainties of Possibility and Continuous Probability
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
The efficiency and confidence of decision making much rely on accurate information and objective judgement, however, which are usually compromised by uncertainties existing in the system. Although in many studies uncertainties are reflected during optimization processes, few models considered the dual uncertainties of possibility and continuous probability. This study proposed a Monte Carlo simulation-based fuzzy programming (MCFP) approach to handle such dual uncertainties. The developed approach was tested by a municipal solid waste management (MSW) problem to demonstrate its feasibility and efficiency. The results indicated that the proposed approach could obtain a reliable solution and adequately support the decision making process in MSW management. It is significantly advantageous in handling the coexistence of various fuzzy sets and complex probability distributions when compared to the conventional fuzzy stochastic programming approaches. Furthermore, three levels of the optimal results to help decision makers effectively manage the composting facility: the entire distributions for general policy makers in long term policy making and trade-off, risk and reliability analyses of the system; the range of most frequent occurrences for project/plant managers in a medium arrangement; and the expected values for the plant operators for short term operating and adjusting the facility to minimize the system cost. Such different levels of decision supports could make the MCFP approach highly feasible, flexible and adaptable in real-work applications.
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 | 0,000 | 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 découle