A learnheuristic method for solving resource constrained project scheduling problem
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
Project scheduling in resource-constrained mode is one of the most important issues in the field of project management. The main philosophy of this problem is to use less resources while respecting the resource limit to complete the project in a shorter time although other goals can be considered. When a very large amount of data is generated by the meta-heuristic algorithm and there are many variables involved in solving the problem, no other algorithm or technique is able to analyze the output. For this purpose, learnheuristics have the ability to use combined metaheuristics and machine learning tools with high accuracy and in less time to analyze data. The primary purpose of this research is to combine machine learning and genetic algorithms to reduce the project completion time which can lead to a reduction in the cost of the project. Due to the population-based nature of the problem a large amount of initial population was generated. In order to convert the generated schedules into feasible ones, a repair strategy was used. A data matrix was created to import data into the ML model. After specifying the training and testing settings of the model, the decision tree was used to analyze the data of the problem, then its output was applied to the initial population using the displacement or relocation procedure. This manipulated population is given to Genetic Algorithm (GA) and continues until a certain iteration. j60data on the PSPLIB website was used to evaluate the suggested approach. The findings indicate that the implemented approach has improved by 21.75% compared to the normal GA. This improvement means that a better solution could be achieved in less time with fewer calls.
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 | 0,021 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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