Optimization of Time Dependent Fuzzy Multi-Objective Reliability Redundancy Allocation Problem for n-Stage Series Parallel System
Notice bibliographique
Résumé
Abstract This study introduces a time dependent fuzzy multi-objective reliability redundancy allocation problem (TF-MORRAP) for the $n$-stage (level) series parallel system. System reliability maximization and system cost minimization according to time by optimizing the redundant components counting at every stage of the system is the main objective of this study. This optimization is done by satisfying the entropy constraints with limited redundant components at every stage and in the whole system. The reliability and cost of every component are represented as triangular fuzzy numbers (TFN) to handle the uncertainty of input information of the system. According to time the component reliability and cost decrease by some factor of their previous existing value. This factor follows the change in the length of radius of the inverse logarithmic spiral with respect to angle which is regarded as time here. The proposed problem is analysed by using an over-speed protection system of a gas turbine. We compare the membership values of optimal solutions obtained by using two well-known techniques namely Non-dominated sorting genetic algorithm-II (NSGA-II) and a multi-objective particle swarm optimization algorithm called NF-MOPSO. Various performances of the algorithms are compared to solve the aforementioned problem by using some performance metrics. NF-MOPSO shows the high satisfaction level of objective functions and better performance than NSGA-II.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».