Optimized crew selection for scheduling of repetitive projects
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
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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