Conception et gestion des indisponibilités des sites dans les chaînes logistiques
Bibliographic record
Abstract
RESUME :La chaîne logistique est sujette à des défaillances aléatoires causées par différents facteurs ce qui engendre l'indisponibilité de certains sites.Dans ce sens, la gestion de ces indisponibilités s'impose comme un choix stratégique afin de garantir les seuils désirés de fiabilité et de disponibilité des différents sites de la chaîne logistique.Dans ce travail, nous nous intéressons à deux problématiques liées au domaine des chaînes logistiques à savoir la conception et la gestion des indisponibilités des sites logistiques.Nous considérons alors un réseau de distribution stochastique avec la prise en compte des décisions de sélection des fournisseurs, de localisation des centres de distribution (DCs), d'affectation des détaillants et de gestion des indisponibilités des DCs.Notre démarche consiste d'abord à trouver la structure optimale de la chaîne logistique en utilisant une approche d'optimisation basée sur les algorithmes génétiques (AG).Ensuite, de simuler le comportement de la chaîne logistique face à la présence d'éventuelles défaillances de DCs.Ainsi, l'objectif de cette étape est l'optimisation de la gestion de ces indisponibilités.Deux stratégies sont réalisées, l'une consiste à remplacer chaque DC indisponible par le DC le plus proche, et l'autre consiste à effectuer une réallocation en utilisant les AG.Les résultats des deux stratégies sont détaillés et comparés.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".