MILP of multitask scheduling of geographically distributed maintenance tasks
Notice bibliographique
Résumé
Due to its proactive impact on the serviceability of components in a system, preventive maintenance plays an important role particularly in systems of geographically spread infrastructure such as utilities networks in commercial buildings. What makes such systems differ from the classical schemes is the routing and technicians' travel times. Besides, maintenance in commercial buildings is characterized by its short tasks’ durations and spatial distribution within and between different buildings, a class of problems that has not been suitably investigated. Although it is not trivial to assign particular duties solely to multi-skilled teams under limited time and capacity constraints, the problem becomes more challenging when travel routes, durations and service levels are considered during the execution of the daily maintenance tasks. To address this problem, we propose a Mixed Integer Linear Programming Model that considers the above settings. The model exact solution recommends collaborative choices that include the number of maintenance teams, the selected tasks, routes, tasks schedules, all detailed to days and teams. The model will reduce the cost of labor, replacement parts, penalties on service levels and travel time. The optimization model has been tested using different maintenance scenarios taken from a real maintenance provider in the UAE. Using CPLEX solver, the findings demonstrate an inspiring time utilization, schedules of minimal routing and high service levels using a minimum number of teams. Different travel speeds of diverse assortment of tasks, durations and cost settings have been tested for further sensitivity analysis.
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 | 0,000 | 0,000 |
| 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 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 ».