Solving Tri-criteria: Total Completion Time, Total Earliness, and Maximum Tardiness Using Exact and Heuristic Methods on Single-Machine Scheduling Problems
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 ∑𝐶 𝑗 , Total Earliness ∑𝐸 𝑗 , and Maximum Tardiness Time 𝑇 𝑚𝑎𝑥 for multicriteria and multi-objective functions (1//(∑𝐶 𝑗 , ∑𝐸 𝑗 , 𝑇 𝑚𝑎𝑥 ) and (∑𝐶 𝑗 + ∑𝐸 𝑗 + 𝑇 𝑚𝑎𝑥 )) 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 𝑛 = 11 jobs, while BAB without DR and BAB with DR able to resolve problems from 𝑛 = 19 to 𝑛 = 50 jobs, respectively, within a reasonable time.However, heuristic methods can solve up to 𝑛 = 5000 jobs. in addition, the experimental results for a subproblem show that the heuristic methods can solve up to 𝑛 = 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».