Solving Tri-criteria: Total Completion Time, Total Earliness, and Maximum Tardiness Using Exact and Heuristic Methods on Single-Machine Scheduling Problems
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
Machine scheduling problems have become increasingly complex and dynamic.In industrial contexts, managers often evaluate several objectives simultaneously and attempt to identify the optimal solution that satisfies all concerns.This study proposes two heuristic methods based on SPT and dominated rules (DR) to minimize Total Completion ∑ , Total Earliness ∑ , and Maximum Tardiness Time for multicriteria and multi-objective functions (1//(∑ , ∑ , ) and (∑ + ∑ + )) based on single machine scheduling problems.in addition, two exact methods Branch and Bound (BAB with and without DR) and a complete enumeration method are applied to solve the multi-criteria and multi-objective functions.According to the calculation results, the CEM is able to solve problems up to = 11 jobs, while BAB without DR and BAB with DR able to resolve problems from = 19 to = 50 jobs, respectively, within a reasonable time.However, heuristic methods can solve up to = 5000 jobs. in addition, the experimental results for a subproblem show that the heuristic methods can solve up to = 4000 jobs.Practical experiments demonstrate the proposed heuristic methods are the most effective of all approaches.All methods used in this work were coded with MATLAB 2019a.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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