MétaCan
Menu
Retour à la cohorte
Enregistrement W4391854831 · doi:10.1109/access.2024.3365734

Preference-Based Stepping Ahead Firefly Algorithm for Solving Real-World Uncapacitated Examination Timetabling Problem

2024· article· en· W4391854831 sur OpenAlexaboutno aff
Ravneil Nand, Emmenual Reddy, Kaylash Chaudhary, Bibhya Sharma

Notice bibliographique

RevueIEEE Access · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueScheduling and Timetabling Solutions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer sciencePreferenceFirefly algorithmMathematical optimizationFirefly protocolAlgorithmMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,323
Tête enseignante GPT0,435
Écart entre enseignants0,112 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetScheduling and Timetabling SolutionsTravaux en français237 207