Multi-objective optimization for repetitive scheduling under uncertainty
Notice bibliographique
Résumé
Purpose The purpose of this paper is to present a newly developed multi-objective optimization method for the time, cost and work interruptions for repetitive scheduling while considering uncertainties associated with different input parameters. Design/methodology/approach The design of the developed method is based on integrating six modules: uncertainty and defuzzification module using fuzzy set theory, schedule calculations module using the integration of linear scheduling method (LSM) and critical chain project management (CCPM), cost calculations module that considers direct and indirect costs, delay penalty, and work interruptions cost, multi-objective optimization module using Evolver © 7.5.2 as a genetic algorithm (GA) software, module for identifying multiple critical sequences and schedule buffers, and reporting module. Findings For duration optimization that utilizes fuzzy inputs without interruptions or adding buffers, duration and cost generated by the developed method are found to be 90 and 99 percent of those reported in the literature, respectively. For cost optimization that utilizes fuzzy inputs without interruptions, project duration generated by the developed method is found to be 93 percent of that reported in the literature after adding buffers. The developed method accelerates the generation of optimum schedules. Originality/value Unlike methods reported in the literature, the proposed method is the first multi-objective optimization method that integrates LSM and the CCPM. This method considers uncertainties of productivity rates, quantities and availability of resources while utilizing multi-objective GA function to minimize project duration, cost and work interruptions simultaneously. Schedule buffers are assigned whether optimized schedule allows for interruptions or not. This method considers delay and work interruption penalties, and bonus payments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».