ANALYSIS OF MARKOV CHAIN MONTE CARLO METHODS IN MULTI-INDENTURE INVENTORY OPTIMIZATION
Notice bibliographique
Résumé
U.S. Navy aircraft are required to meet minimum operational availability targets, while minimizing spare parts procurement costs. The current optimization model written by Salmeron and Buss, uses marginal analysis, as described by Sherbrooke, to determine optimal sparing policies for this highly complex multi-indenture model. The literature lacks alternative optimization methodologies for such a problem, so we propose an alternative approach utilizing simulated annealing (SA), a Markov Chain Monte Carlo algorithm. We present three SA approaches tested in three case studies of varying size and complexity. Our initial findings show that in very simple problems, SA is easily capable of outperforming marginal analysis; however, problems with more complexity have large optimality gaps. This is likely because the SA Markov chain is unable to effectively explore the multi-indenture structure of the problem. We implement a method to account for this structure that intelligently builds initial feasible solutions using an epsilon-greedy approach to marginal analysis. This approach produces better results than NAVARM in more than half of the trials on problems of moderate complexity. We also implement a novel method for calculating operational availability that may allow full scale problems to be optimized more efficiently.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».