BHARAT: A simple and effective multi-criteria decision-making method that does not need fuzzy logic, Part-2: Role in multi- and many-objective optimization problems
Notice bibliographique
Résumé
A simple and effective multi-attribute decision-making method, named as BHARAT method, is proposed in Part-1 of this paper and the same method is used now as a multi- and many-objective decision-making method for evaluating the Pareto optimal solutions. The proposed BHARAT method is used to identify the best compromise Pareto solution. Based on their importance for the given optimization problem, the objectives are ranked, and the weights are assigned. The weights of the objectives and the normalized values of the objectives for different Pareto optimal solutions are used to compute the total scores. The total scores are used to differentiate the alternative optimal solutions and an alternative solution that gets the highest total score is suggested as the best compromise solution. Three case studies are presented to illustrate and validate the proposed BHARAT method. The case study 1 is a multi-objective optimization problem related to cloud manufacturing with 3 objectives and 20 alternative solutions; case study 2 is a many-objective optimization problem of electro-discharge machining process with 4 objectives and 50 alternative solutions; case study 3 is a many-objective optimization of milling process parameters with 4 objectives and 100 alternative solutions. The outcomes of the suggested BHARAT method are compared with those of the other popular decision-making approaches for each of the three case studies considered. The suggested simple and more logical BHARAT method can be used in multi- and many-objective optimization problems to select the best compromise solution.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».