Preference-Based Stepping Ahead Firefly Algorithm for Solving Real-World Uncapacitated Examination Timetabling Problem
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
Swarm-based intelligent optimization algorithms that employ principles of collective behavior have been gaining traction as a viable solution in optimization research. One area of optimization is the Examination Timetabling Problem (ETP), which presents a significant challenge in many Higher Education Institutes (HEIs). This paper proposes a novel approach to solving the Uncapacitated Examination Timetabling Problem (UETP) where a stepping-ahead mechanism is utilized with threshold acceptance in the Firefly Algorithm (FA). The proposed method improves exploration with the use of the stepping-ahead mechanism, while threshold acceptance allows for better exploitation of the search space. Initially, a neighborhood search mechanism is employed as the discretization of FA to improve solution quality, known as Kempe Chain-based neighborhoods. The proposed method is tested on 7 UETP problems, with the results showing comparative performance to the best solutions available in the literature for the Toronto exam timetabling dataset. The selection of seven problems is made with exams totaling less than 400, this allows to create a manageable yet representative benchmark. The study further extends the experiment to a real-world dataset collected from an HEI. The use of a real-world dataset allows us to see the potential of the algorithm and at the same time evaluate its performance under realistic conditions and resource constraints. The proposed stepping-ahead mechanism has the potential for use in other domains, such as robotics and engineering. Overall, this paper presents a new methodology for solving the UETP that has the potential to offer superior results when compared to existing approaches.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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