An Effective Particle Swarm Optimization for Lot-Sizing Problem with Particulate Matter Emission Constraint
Notice bibliographique
Résumé
The green supply chain is the reduction of the atmospheric release emissions including gases, vapour, smoke, solid or liquid particles.This atmospheric reduction will concern each stage of the chain: supply, production, distribution, warehousing, transport and delivery.The design of this loop is based on industrial ecological perspectives, particularly in the production, and the transport stage.In this work, we present a lotsizing problem with capacitated one warehouse multi retailers (OWMR) under the minimization of particles matter (PM) emission from production and delivery, knowing that the problem is an NP-hard.We have developed a logistics structure containing a production unit connected to a distribution network characterized by (size, number and location) retailers specializing in a single type of product.Then, we will introduce our mathematical problem modelling using mixed-integer programming and develop an approach based on the metaheuristic called binary particle swarm optimization (BPSO) in this approach; we will study new strategies and techniques concerning the particle swarm parameters.The improved BPSO will be tested on a series of benchmark data sets and compared with CPLEX.According to the experimental results, this approach is effective in minimizing the total cost of the supply chain and promoting green technology by reducing the number of the particles emitted into the air.It also provides a decision support system to answer key questions about when and how much produce and distribute in a sustainable environment.
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 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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».