Creating Alternatives for Stochastic Water Resources Management Decision-Making Using a Firefly Algorithm-Driven Simulation-Optimization Approach
Notice bibliographique
Résumé
Abstract: In solving complex water resources management (WRM) problems, it can prove preferable to create numerous quantifiably good alternatives that provide multiple, disparate perspectives. This is because WRM normally involves multifaceted problems that are riddled with incompatible performance objectives and contain inconsistent design requirements, which are very difficult to quantify and capture when supporting decisions must be constructed. By producing a set of options that are maximally different from each other in terms of their unmodelled variable structures, it is hoped that some of these dissimilar solutions may convey very different perspectives that may serve to address these unmodelled objectives. In environmental planning, this maximally different option production procedure is referred to as modelling-to-generate-alternatives (MGA). In addition, many components of WRM problems possess extensive stochastic uncertainty. This study provides a firefly algorithm-driven simulation-optimization approach for MGA that can be used to efficiently create multiple solution alternatives to problems containing significant stochastic uncertainties that satisfy required system performance criteria and yet are maximally different in their decision spaces. This algorithmic approach is both computationally efficient and simultaneously produces a prescribed number of maximally different solution alternatives in a single computational run of the procedure. The effectiveness of this stochastic MGA approach for creating alternatives in “real world”, environmental policy formulation is demonstrated using a WRM case study.
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 | 0,001 | 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 ».