MétaCan
Menu
Retour à la cohorte
Enregistrement W3188632549 · doi:10.1115/msec2021-60408

A Dynamic Programming Approach to Solve the Facility Layout Problem for Reconfigurable Manufacturing

2021· article· en· W3188632549 sur OpenAlex
Saeideh Salimpour, Ahmed Azab

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueVolume 2: Manufacturing Processes; Manufacturing Systems; Nano/Micro/Meso Manufacturing; Quality and Reliability · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Manufacturing and Logistics Optimization
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSet (abstract data type)HeuristicDynamic programmingMathematical optimizationDecompositionState (computer science)Genetic algorithmMetaheuristicPoint (geometry)AlgorithmMathematicsProgramming languageArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Preparing manufacturing systems to deal with disruptions caused by unexpected factors such as COVID-19 is critical to remain in today’s competitive market. Reconfigurable manufacturing systems (RMS) which are characterized by being rapid and cost-effective in response to market changes, are a good alternative to cope with such unexpected events. From the layout point of view, in an RMS, the layout of facilities needs to be changeable and able to be redesigned easily. Dynamic facility layout problem (DFLP) is a good approach to develop layouts that are capable to be changed and redesigned. Dynamic programming (DP) has been known as one of the effective methods to deal with DFLP. To optimize DFLP by DP, the set of possible layouts for every single period which is called the state-space is given to DP and the best multi-period layout is found. Since the number of possible layouts increases rapidly with the increase in the number of facilities, considering all these layouts encounters two major difficulties, memory requirements and computer time requirements. This paper proposes a method that has two main phases. In the first phase, the set of layouts to be considered in each period are determined using a heuristic approach. These layouts are the states in the DP approach where the periods constituted the decomposition stages. The recursive formulation of DP is solved in the second phase using a hybridized metaheuristic approach. The proposed approach restricts the DP to a good subset of the state-space. A genetic algorithm is applied to search for the best subset of layouts where each chromosome represents one subset of layouts. This subset is given to DP to be solved and the result is considered as the fitness of the chromosome. By the evolution of the chromosomes, the best subset of layouts that leads to the best multi-period layout plan is found. The proposed approach is evaluated against DP benchmarks in the literature. Computational results show that the proposed approach is able to provide more efficient solutions, especially for large-sized problems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,942
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,248
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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