Comparison of Evolutionary Algorithms: A Case Study on the Multi-Objective Carbon-Aware Mine Planning*
Notice bibliographique
Résumé
The NP-hard precedence-constrained production scheduling problem (PCPSP) for mine planning chooses the ordered removal of materials from the mine pit and the next processing steps based on resource, geological, and geometrical constraints. Traditionally, it prioritizes the net present value (NPV) of profits across the lifespan of the mine. Yet, the growing shift in environmental concerns also requires shifts to more carbon-aware practices. In this paper, we use the enhanced multi-objective version of the generic PCPSP formulation by adding the NPV of carbon costs as another objective. We then compare how the Non-dominated Sorting Genetic Algorithm II (NSGA-II) and the Pareto Envelope-based Selection Algorithm II (PESA-II) solve several real-world inspired datasets, after experimenting with the selection pressure parameter of PESA-II. The outcome reveals that PESA-II runs faster for 75% of the datasets and gives sets of solutions that are more distributed. Meanwhile, NSGA-II consistently produces non-dominated solutions even when the apportionment of a decision variable is varied. Moreover, we assess how the uncertainty of ore tonnage at the mine site modifies the Pareto front via sensitivity analysis. We show that deviations above 15% induce a larger gap from the original.
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 | 0,000 | 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 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 ».