MétaCan
Menu
Retour à la cohorte
Enregistrement W4226188925 · doi:10.5267/j.msl.2022.2.001

Gym Layout Modeling and Optimization

2022· article· en· W4226188925 sur OpenAlexvenueno aff
Tarık Küçükdeniz

Notice bibliographique

RevueManagement Science Letters · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Manufacturing and Logistics Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer sciencePlan (archaeology)Sequence (biology)Order (exchange)Function (biology)Mathematical optimizationIndustrial engineeringOperations researchMathematicsEngineering

Résumé

récupéré en direct d'OpenAlex

The purpose of the loop layout problem is to determine the optimal sequence for operations by giving a cyclical arrangement of the machines along a given route. Calculating the initial cost of processes is critical in general. Additionally, these expenses can be reduced by proposing an alternate flow for the system's components. It has been observed that machines at gyms are utilized in accordance with a certain program, and so they require the optimal arrangement to accommodate these programs. In this study, the best cyclical arrangement of the machines in a gym was determined using an intuitive method. Customers enrolled in various training programs will be required to change machines in accordance with the sequence of the machines in their training program. The purpose of this study is to determine the optimal layout of these machines in order to alleviate gym traffic congestion and provide a more intuitive movement plan for consumers. The purpose is to build a layout plan that minimizes backward movement using an objective function created from the positions of the machines in the training programs, the number of customers who use these programs, and the frequency with which the machines appear in multiple programs. For the first time in gyms, an effective solution to the machine layout problem has been proposed using an optimization approach.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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 Opus0,009
Tête enseignante GPT0,196
Écart entre enseignants0,188 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetAdvanced Manufacturing and Logistics OptimizationTravaux en français237 207