Assignation en temps réel de clients à des ressources géographiquement distribuées
Bibliographic record
Abstract
Les problèmes liés à la gestion de files d’attente sont multiples et variés. Tout le monde est confronté à l’attente plusieurs fois dans sa vie. Ce travail de recherche se veut une initiative informatique afin de vérifier la faisabilité de réalisation d’un système d’assignation à des files d’attente distribuées dans un environnement incertain en temps continu. Ce mémoire traite de la construction d’un simulateur consacré au problème de l’optimisation multicritères par une approche heuristique ainsi que l’exécution du plan pour des clients ambulatoires pour un réseau de cliniques médicales. Pour résoudre ce problème, nous avons d’abord étudié quelques systèmes de santé dans le monde, mais plus spécifiquement celui du Québec. Découvrir la meilleure clinique pour des clients qui sont en situation d’urgence n’est pas un problème trivial. Proposer et planifier des rendez-vous qui optimisent de multiples objectifs tels que réduire le délai global d’attente et minimiser les temps morts cliniques ceci avec des variables incertaines telles que : le temps de traitement variable, le nombre de patients qui se désistent, le nombre de tâches quotidiennes totales, ainsi que le nombre de ressources disponibles, font de ce problème un véritable défi. Notre objectif est de déterminer (fabriquer et construire) un plan de tâches optimal ou proche optimal qui satisfait toutes les contraintes en minimisant les temps et les coûts, mais aussi en maximisant son efficacité et son efficience. \n___________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Assignation, planification, file d’attente, multicritères, simulation, temps réel, heuristique, clinique, santé, ambulatoire
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".