Optimized crew selection for scheduling of repetitive projects
Notice bibliographique
Résumé
Purpose The purpose of this paper is to identify optimum crew formations at unit execution level of repetitive projects that minimize project duration, project cost, crew work interruptions and interruption costs, simultaneously. Design/methodology/approach The model consists of four modules. The first module quantifies uncertainties associated with the crew productivity rate and quantity of work using the fuzzy set theory. The second module identifies feasible boundaries for activity relaxation. The third module computes direct cost, indirect cost and interruption costs, including idle crew cost as well as mobilization and demobilization costs. The fourth module identifies near-optimum crew formation using a newly developed multi-objective optimization model. Findings The developed model was able to provide improvements of 0.2, 16.86 and 12.98% for minimization of project cost, crew work interruptions and interruption costs from US$1,505,960, 8.3 days and US$8,300, as recently reported in the literature, to US$1,502,979, 6.9 days and US$7,222, respectively, without impacting the optimized project duration. Originality/value The novelty of this paper lies in its activity-relaxation free float that considers the effect of postponing early finish dates of repetitive activities on crew work interruptions. The introduced new float allows for calculating the required crew productivity rate that minimizes crew work interruptions without delaying successor activities and without impacting the optimized project duration. It safeguards against assignment of unnecessary costly resources.
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 | 0,001 |
| 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) | 0,003 | 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 ».