Network-Aware Smart Scheduling for Semi-Automated Ceramic Production via Improved Discrete Hippopotamus Optimization
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 increasing integration of automation and intelligent sensing technologies in daily-use ceramic manufacturing poses new challenges for efficient scheduling under hybrid flow-shop and shared-kiln constraints. To address these challenges, this study proposes a Mixed-Integer Linear Programming (MILP) model and an Improved Discrete Hippopotamus Optimization (IDHO) algorithm designed for smart, network-aware production environments. The MILP formulation captures key practical features such as batch processing, no-idle kiln constraints, and machine re-entry dynamics. The IDHO algorithm enhances global search performance via segment-based encoding, nonlinear population reduction, and operation-specific mutation strategies, while a parallel evaluation framework accelerates computational efficiency, making the solution viable for industrial-scale, time-sensitive scenarios. The experimental results from 12 benchmark cases demonstrate that IDHO achieves superior performance over six representative metaheuristics (e.g., PSO, GWO, Jaya, DBO), with an average ARPD of 1.04%, statistically significant improvements (p < 0.05), and large effect sizes (Cohen’s d > 0.8). Compared to the commercial solver CPLEX, IDHO provides near-optimal results with substantially lower runtime. The proposed approach contributes to the development of intelligent networked scheduling systems for cyber-physical manufacturing environments, enabling responsive, scalable, and data-driven optimization in smart sensing-enabled production settings.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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