A multilayer feed-forward neural network (MLFNN) for the resource-constrained project scheduling problem (RCPSP)
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
Project management has a fundamental role in national development, industrial development, and economic growth. Schedule management is also one of the knowledge areas of project management, which includes the processes employed to manage the timely completion of the project. This paper deals with the Resource-Constrained Project Scheduling Problem (RCPSP), which is a part of schedule management. The objective of the problem is to optimize and minimize the project duration while constraining the resource quantities during project scheduling. There are two important constraints in this problem, namely resource constraints and precedence relationships of activities during project scheduling. Many methods such as exact, heuristic, and meta-heuristic have been developed by researchers to solve the problem, but there is a lack of investigation of the problem using methods such as neural networks and machine learning. In this article, we develop a multi-layer feed-forward neural network (MLFNN) to solve the standard single- mode RCPSP. The advantage of this method over evolutionary methods or metaheuristics is that it is not necessary to generate numerous solutions or populations. The developed MLFNN learns based on eight project parameters, namely network complexity, resource factor, resource strength, average work per activity, percentage of remaining work, etc., which are calculated at each step of project scheduling, and identified priority rules, which are the outputs of the developed neural network. Therefore, after the learning process, the network can automatically select an appropriate priority rule to filter out an unscheduled activity from the list of eligible activities and schedule all activities of the project according to the given project constraints. Finally, we investigate the performance of the presented approach using the standard benchmark problems from PSPLIB.
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 | 0,038 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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