Abordagens de solução para o problema de dimensionamento e sequenciamento de lotes com aceitação de pedidos
Bibliographic record
Abstract
Ciências -Ciências de Computação e Matemática Computacional) -Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos -SP, 2019.Nesta dissertação abordamos o problema de dimensionamento e sequenciamento de lotes com aceitação de pedidos.As demandas dos clientes são agregadas em pedidos, os quais podem ou não ser aceitos e devem ser entregues dentro de uma janela de tempo.Os itens são perecíveis e podem permanecer no estoque somente por um tempo determinado (shelf-life).O objetivo do problema é maximizar a receita gerada pelo atendimento dos pedidos, descontando os custos de estoque e das preparações da máquina.Para tratar o problema são propostas formulações matemáticas e abordagens heurísticas contendo uma etapa construtiva seguida por uma heurística de melhoramento.Testes computacionais foram realizados e os resultados obtidos foram analisados.As heurísticas obtiveram desempenho superior ao branch-and-cut do solver de otimização na obtenção de soluções de boa qualidade, no limite de tempo estabelecido.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".