Optimizing stochastic multi-project scheduling with a simulation integrated multi-objective genetic 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
The significance of project scheduling and sequencing has increased considerably in recent years, driven by the rising customer demand for highly personalized solutions. Companies have to consider multiple criteria while executing multiple projects simultaneously to meet the customer demands. Therefore, this study focuses on the multi-objective multi-project scheduling and sequencing problem (MP-SSP). A simulation-based mathematical model is developed and integrated with a multi-objective genetic algorithm. The objectives of this model are to minimize the project execution cost, project completion time and project lateness simultaneously while maximizing the resource utilization in the stochastic environment. Goal attainment programming is introduced in the simulation integrated multi-objective genetic algorithm (SIHMO-GA) to increase the effectiveness of the algorithm. Further, response surface methodology (RSM) has been used to find the optimum parameters of the proposed SIHMO-GA. The effectiveness of the proposed SIHMO-GA is evaluated through a real-world case study by comparing it with simulation-optimization approaches, namely the multi-objective genetic algorithm (MOGA) and goal attainment programming. Gap analysis indicates that the SIHMO-GA provides best trade off values of the above-mentioned conflicting objectives under a stochastic environment. This study supports practical scheduling and sequencing of multiple projects in a stochastic environment by generating solutions that maximize profit, enhance resource utilization, and ensure customer satisfaction through timely project delivery.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle