Multi-objective artificial bee colony algorithm for energy-efficient scheduling of unrelated parallel batch processing machines with flexible preventive maintenance
Notice bibliographique
Résumé
The parallel batch-processing machine scheduling problem is widely present in industries such as manufacturing, service, and healthcare, and becomes more complex when incorporating flexible preventive maintenance (FPM). This paper presents a mixed-integer programming (MIP) model and a multi-objective artificial bee colony (MOABC) algorithm to tackle the unrelated parallel batch-processing machine scheduling problem with flexible preventive maintenance (UPBPM-FPM). The objective is to simultaneously minimize the makespan, earliness and tardiness, and total energy consumption, providing a comprehensive solution to optimize both scheduling efficiency and energy use while incorporating preventive maintenance considerations. The MOABC algorithm integrates three key innovations: (1) a novel processing power-feature information (PP-FI) heuristic to generate high-quality initial solutions, (2) a hybrid selection strategy combining the hypervolume index and roulette wheel approach to improve diversity and convergence, and (3) a set of random and goal-oriented neighborhood search methods to enhance Pareto frontier. Experimental results demonstrate that the MOABC algorithm outperforms three classical algorithms, NSGA-III, ABC, and PSO, in terms of convergence, diversity, and robustness of the Pareto solutions. This study provides a robust framework for energy-efficient scheduling in complex manufacturing environments.
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 | 0,001 | 0,001 |
| 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 ».