Uma abordagem metaheurística para o sequenciamento de aeronaves para pouso e o aumento de capacidade de pista
Bibliographic record
Abstract
Problemas de capacidade de pista estão presentes em vários aeroportos ao redor do mundo. A execução eficiente e eficaz do sequenciamento de aeronaves para pouso tornou-se uma alternativa para o aumento de capacidade de pista no nível tático. O problema do sequenciamento busca determinar a melhor ordem de processamento de aeronaves para pouso, a fim de otimizar o uso da pista e mitigar atrasos, entre outros objetivos, sujeito a uma série de restrições operacionais. O presente estudo tem por objetivo desenvolver um método de solução para o problema de sequenciamento que seja capaz de produzir um ganho de capacidade de pista, gerar soluções viáveis em um curto espaço de tempo e manter a equidade entre as empresas aéreas, respeitando o número máximo de mudanças de posição das aeronaves em uma nova sequência. O método é baseado na metaheurística de arrefecimento simulado adaptado ao contexto do problema estudado. O conjunto de dados Airland, disponível na OR-library, e dados reais do Aeroporto Internacional de São Paulo/Guarulhos foram utilizados para avaliar os potenciais benefícios do método proposto. Os resultados mostraram ganhos de capacidade de até 21% para os dados teóricos e de 10% para os dados reais.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 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 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".