Designing a scheduling decision support system for the skin pass line: A case study of the steel finishing line
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
In this paper, we investigate the scheduling policies in the iron and steel industry, and in particular, we formulate and propose a solution to a complicated problem called skin pass production scheduling in this industry. The solution is to generate multiple production turns for the skin pass coils and, at the same time, determine the sequence of these turns so that productivity and product quality are maximized, while the total production scheduling cost, including the costs of tardiness, flow of material, and the changeover cost between adjacent and non-adjacent coils, is minimized. This study has been prompted by a practical problem in an international steel company in Iran. In this study, we present a new mixed integer programming model and develop a heuristic algorithm, as the commercial solvers would have difficulty in solving the problem. In our heuristic algorithm, initial solutions are obtained by a greedy constraint satisfaction algorithm, and then a local search method is developed to improve the initial solution. The experimental results tested on the data collected from the steel company show the efficiency of the proposed heuristic algorithm by solving a large-sized instance in a reasonable computation time. The average deviation between the manual method and the heuristic algorithm is 30%. Also, in all the components of the objective function, the algorithm performs better compared to the manual method. The improved values are greater than 15. In addition, we develop a commercial decision support system for the implementation of the proposed algorithm in the steel company.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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