Performance Evaluation of Genetic Algorithm and Particle Swarm Optimization in Off-Site Construction Scheduling
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
Off-site construction (OSC) is gaining significant attention due to its promising benefits, including reduced time, cost, and waste, along with improved quality, productivity, and safety.However, the dynamic nature of the production process (i.e., nontypical process time) introduces challenges in OSC production line, such as: (i) bottlenecks: (ii) workstation idle time; and (iii) identification of an optimal production sequence.To leverage the full benefits of OSC, a superior production planning and scheduling optimization method become imperative.Therefore, this paper aims to compare the computational performance of the Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) for optimizing OSC production schedule.The methodology consists of the three key steps, including: (i) data analysis; (ii) development of GA and PSO algorithms; (iii) implementation of both GA and PSO in a real-life wall panel production line in Edmonton, Canada.The results reveal that GA outperforms PSO in minimizing project completion time (PCT).Specifically, for 160 wall panels, the PCT using GA is 6112 min, whereas with PSO, it is 6122 min.Conversely, PSO produces results more quickly than GA.For the same set of 160 wall panels, the model runtime is 17.97 sec for GA and 6.0 sec for PSO.The findings of this study offer valuable insights for production managers in selecting the most effective algorithm for optimizing production schedules.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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