Multi-Objective Optimization for Sustainable Closed-Loop Supply Chain\n Network Under Demand Uncertainty: A Genetic Algorithm
Notice bibliographique
Résumé
Supply chain management has been concentrated on productive ways to manage\nflows through a sophisticated vendor, manufacturer, and consumer networks for\ndecades. Recently, energy and material rates have been greatly consumed to\nimprove the sector, making sustainable development the core problem for\nadvanced and developing countries. A new approach of supply chain management is\nproposed to maintain the economy along with the environment issue for the\ndesign of supply chain as well as the highest reliability in the planning\nhorizon to fulfill customers demand as much as possible. This paper aims to\noptimize a new sustainable closed-loop supply chain network to maintain the\nfinancial along with the environmental factor to minimize the negative effect\non the environment and maximize the average total number of products dispatched\nto customers to enhance reliability. The situation has been considered under\ndemand uncertainty with warehouse reliability. This approach has been suggested\nthe multi-objective mathematical model minimizing the total costs and total CO2\nemissions and maximize the reliability in handling for establishing the\nclosed-loop supply chain. Two optimization methods are used namely\nMulti-Objective Genetic Algorithm Optimization Method and Weighted Sum Method.\nTwo results have shown the optimality of this approach. This paper also showed\nthe optimal point using Pareto front for clear identification of optima. The\nresults are approved to verify the efficiency of the model and the methods to\nmaintain the financial, environmental, and reliability issues.\n
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».