MétaCan
Menu
Retour à la cohorte
Enregistrement W4282965778 · doi:10.3390/designs6030055

Secured Multi-Dimensional Robust Optimization Model for Remotely Piloted Aircraft System (RPAS) Delivery Network Based on the SORA Standard

2022· article· en· W4282965778 sur OpenAlexaff
Armin Mahmoodi, Leila Hashemi, Jeremy Laliberté, Richard C. Millar

Notice bibliographique

RevueDesigns · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)Computer scienceRange (aeronautics)HeuristicFunction (biology)Operations researchReliability engineeringReal-time computingEngineering

Résumé

récupéré en direct d'OpenAlex

The range of applications of RPAs in various industries indicates that their increased usage could reduce operational costs and time. Remotely piloted aircraft systems (RPASs) can be deployed quickly and effectively in numerous distribution systems and even during a crisis by eliminating existing problems in ground transport due to their structure and flexibility. Moreover, they can also be useful in data collection in damaged areas by correctly defining the condition of flight trajectories. Hence, defining a framework and model for better regulation and management of RPAS-based systems appears necessary; a model that could accurately predict what will happen in practice through the real simulation of the circumstances of distribution systems. Therefore, this study attempts to propose a multi-objective location-routing optimization model by specifying time window constraints, simultaneous pick-up and delivery demands, and the possibility of recharging the used batteries to reduce, firstly, transport costs, secondly, delivery times, and thirdly, estimated risks. Furthermore, the delivery time of the model has been optimized to increase its accuracy based on the uncertain conditions of possible traffic scenarios. It is also imperative to note that the assessment of risk indicators was conducted based on the Specific Operations Risk Assessment (SORA) standard to define the third objective function, which was conducted in a few previous studies. Finally, it shows how the developed NSGA-II algorithm in this study performed successfully and reduced the objective function by 31%. Comparing the obtained results using an NSGA-II meta-heuristic approach, through the rigorous method GAMS, indicates that the results are valid and reliable.

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)0,001
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 enseignants0,021
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,044
Tête enseignante GPT0,204
Écart entre enseignants0,160 · 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

Citations33
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDesignsMême sujetAir Traffic Management and OptimizationTravaux en français237 207