A hybrid column-generation and genetic algorithm approach for solving large-scale multimission selective maintenance problems in serial <i>K</i>-out-of-<i>n</i>:<i>G</i> systems
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
This paper introduces a solution method for the multimission selective maintenance problem (SMP) that combines column-generation (CG) and genetic algorithms (GAs). The multimission SMP is an optimisation problem that arises when a system performs a sequence of missions separated by breaks of finite duration. During these finite breaks, only a subset of possible maintenance actions can be performed due to resource limitations. The problem is in deciding what actions to perform during each break duration such that the system meets or exceeds a minimum target reliability for all missions. The resulting optimisation problems are usually modelled as mixed integer nonlinear mathematical programmes, which are hard to solve. They are usually solved using metaheuristics. We propose a solution method based on CG framework in which the subproblems are solved using a GA. By integrating the GA within the classical CG framework, high-quality solutions can be obtained very quickly. The proposed solution method is capable of solving systems composed of both parallel and k-out-of-n:G subsystems. This hybrid CG algorithm is shown to obtain near optimal solutions and outperform other metaheuristic solution methods; it is also shown to be capable of solving large-scale systems composed of many subsystems and hundreds of components in a reasonable amount of time.
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 | 0,002 | 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 découle