Research on the multi-objective operation efficiency improvement path of enterprises based on reinforcement learning algorithm
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
In enterprise operations, multi-objective optimization involves multiple conflicting objectives such as cost escalation control, customer satisfaction, and production efficiency.Based on reinforcement learning algorithm, the article deals with multi-objective optimization problem in enterprise operation through the interactive learning between intelligent body and environment, for which a multi-objective operation efficiency improvement path for enterprise based on Q-learning scheduling is designed.The simulation data is utilized to generate the PDR tree structure, and subsequently, the intelligent body is prompted to complete the multi-objective operation learning of the enterprise through several iterations.On this basis, the intelligent body completes all the actions and generates scheduling strategies to improve operational efficiency.The model proposed in this paper can predict the demand changes of enterprises in the future time window and make the best decision to improve the operational efficiency.Under the model of this paper, the mean values of pure technical efficiency as well as scale efficiency of 10 firms in 2024 are 0.9 and 0.933, respectively, and they are predicted to continue to grow in 2025.The model reduces the firms' average operating costs and administrative expenses, while employee compensation and fixed assets increase by 49.58% and 19.48%.Since the survey period, the TFP index of all 10 companies is greater than 1, which indicates that, the application of the model in this paper improves the operational efficiency of the companies.
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 | 0,003 | 0,001 |
| 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