Multi-objective reference point based enriched swarm optimization with an application to blood supply chain under natural disaster
Notice bibliographique
Résumé
The application and analysis of effective blood supply chain network under natural disaster imposed many critical challenges which addressed through an optimization of multiple objectives functions. In this article, relies on reference point algorithm, a user-preference based enriched swarm optimization algorithm is proposed where, inner reference points were produced depending on the perturbed reference point. For each inner reference point, weakly/ɛ-properly Pareto optimal solution was generated using augmented achievement function. All the generated solutions (points) are presented as potential positions for particles in the particle swarm optimization PSO. The proposed algorithm has been reinforced with a novel chaotic contraction operator to retain the feasibility of the particles. To prove the validity of our algorithm, the obtained results are compared with true Pareto optimal front and three of the most salient evolutionary algorithms using inverted generational distance metric IGD. In addition it was implement to detect the most cost and time efficient blood supply chain to provide the required blood types demand on the blood transfusion center in emergence situation, where, it is required to solve this real life application with predefined supply time and predefined supply cost, which is considered as reference point to get the nearby Pareto optimal solution. By the experimental outcomes, we proved that the proposed algorithm is capable to find the set of Paetro optimal solutions nearby the predefined reference points.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».