A novel particle swarm optimization-based grey model for the prediction of warehouse performance
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
Abstract Warehouses constitute a key component of supply chain networks. An improvement to the operational efficiency and the productivity of warehouses is crucial for supply chain practitioners and industrial managers. Overall warehouse efficiency largely depends on synergic performance. The managers preemptively estimate the overall warehouse performance (OWP), which requires an accurate prediction of a warehouse’s key performance indicators (KPIs). This research aims to predict the KPIs of a ready-made garment (RMG) warehouse in Bangladesh with a low forecasting error in order to precisely measure OWP. Incorporating advice from experts, conducting a literature review, and accepting the limitations of data availability, this study identifies 13 KPIs. The traditional grey method (GM)—the GM (1, 1) model—is established to estimate the grey data with limited historical information but not absolute. To reduce the limitations of GM (1, 1), this paper introduces a novel particle swarm optimization (PSO)-based grey model—PSOGM (1, 1)—to predict the warehouse’s KPIs with less forecasting error. This study also uses the genetic algorithm (GA)-based grey model—GAGM (1, 1)—the discrete grey model—DGM (1, 1)—to assess the performance of the proposed model in terms of the mean absolute percentage error and other assessment metrics. The proposed model outperforms the existing grey models in projecting OWP through the forecasting of KPIs over a 5-month period. To find out the optimal parameters of the PSO and GA algorithms before combining them with the grey model, this study adopts the Taguchi design method. Finally, this study aims to help warehouse professionals make quick OWP estimations in advance to take control measures regarding warehouse productivity and efficiency.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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