Research on the Design of Multi-Objective Decision Optimization Model and Legal Suitability in Environmental Legal Dispute Resolution
Notice bibliographique
Résumé
The construction of ecological civilization is a fundamental plan related to the sustainable development of economy and society, and the dispute settlement mechanism of environmental damages is its innovative and important content.Starting from the environmental legal dispute resolution mechanism, the article analyzes the legal basis of environmental dispute mediation and the process related to pre-litigation mediation.Considering environmental legal dispute resolution as a kind of multi-objective decision-making optimization problem, a multi-objective decision-making optimization model for environmental legal disputes is constructed with the objective functions of legal effectiveness, legal applicability and subject interest rate.Then adaptive inertia weights and dynamic image Pareto solution set updating strategy are introduced to improve the multi-objective particle swarm algorithm, and combined with information entropy-based TOPSIS decision-making to realize the optimal solution selection for environmental legal dispute resolution.In the multi-objective decision-making optimization model, the improved multi-objective particle swarm algorithm achieves the optimum for a total of 15 data, and the simulation time in solving the optimal solution of the 10*10*5 case problem is only 2.314s, and the optimal solution of environmental legal dispute resolution can be obtained based on different objective functions.Environmental legal dispute resolution needs to aim at effectiveness, applicability and subject's interests, introduce appropriate punitive damages, realize the effective connection between administrative law and criminal law, and promote the high efficiency of environmental legal dispute resolution.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».