Multi-objective flexible job-shop scheduling in hospital using discrete particle swarm optimization algorithm with adaptive inertia weight (DPSO-AIW)
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
A multi-objective Flexible Job-shop Scheduling technique for hospitals is proposed using DPSO-AIW i.e. discrete particle swarm optimization with adaptive inertia weight method. The approach encodes the layer of the chromosomes using an operation sequence (OS) and machine assignment (MA) which is a two-layer coding structure. Global selection based on the operation (GSO) of MA and random selection of OS are coupled in the initial population. Rapid non-dominated sorting yields fronts of non-domination, which are necessary for getting the Pareto optimum solution. The diversity of the population is increased during the evolution process by adaptive adjustment of the variation of the weight of inertia, expressed by ω. Then, the Pareto optimal solution found during the process is kept in the Pareto optimal solution set (POS). The discrete particle swarm optimization algorithm is utilized to solve the values of the next generation chromosomes in the discrete domain directly. Lastly, comparisons with certain current techniques and numerical simulation based on two sets of international standard examples are performed, which are already established. The findings from the comparison show that the suggested DPSO-AIW is practical, effective, and more feasible for solving the problem related to the Multi-objective Flexible Job-shop Scheduling Problem.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle