Algoritmo Genético Adaptativo com Chaves Aleatórias Viciadas para um Problema de Corte de Estoque Multi-Período com Custos de Setup
Bibliographic record
Abstract
Resumo.Este trabalho apresenta um Algoritmo Genético Adaptativo com Chaves Aleatórias Viciadas (AGACAV) para resolver o problema de Corte de Estoque Multi-período com custos de setup nos padrões de corte.Uma aplicação determinística chamada decoder que mapeia soluções factíveis do problema é necessária para a inicialização do AGACAV.Um decoder baseado na geração de estoque por período e construção de padrões de corte é proposto e comparado com um procedimento de geração de colunas.Os métodos foram comparados em instâncias com diferentes tamanhos de itens e o resultados mostram que o AGACAV obtém melhores resultados para instâncias cujo custo de setup é maior que o custo dos objetos em estoque.Palavras-chave.Problema de Corte de Estoque Unidimensional, Custo de Setup nos Padrões de Corte, Metaheurística. IntroduçãoO Problema de Corte de Estoque (PCE) vem sendo estudado, dentre outros motivos, devido a sua importância em diversas aplicações de origem industrial, tais como em indústrias de metal, madeira, vidro e papel.O PCE consiste em determinar maneiras de cortar um conjunto de objetos, em pedaços menores (itens), visando satisfazer demandas de clientes ([2]).Um dos objetivos primários do PCE é minimizar o custo do material envolvido, no entanto, custos auxiliares surgem durante as etapas do processo de corte, um desses custos refere-se a quantidade de padrões de corte usados no plano de corte, por exemplo, o número de vezes que deve-se mudar a posição das lâminas para realizar um novo corte ([14]).Tais ajustes interrompem o processo de produção aplicando custos de setup como objetivo extra para o problema.O PCE que tem como objetivo minimizar a quantidade de padrões de cortes é conhecido como Problema da Minimização de Padrões e é classificado como um problema NP-hard ([10]).O problema de corte de estoque multi-período (PCEMP) consiste em resolver, para cada período em um horizonte de planejamento, um PCE a fim de satisfazer a demandas em cada período.No entanto, nesta configuração, as demandas de alguns itens podem ser adiantadas ou não na forma de inventário para os próximos períodos ([12]).
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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 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".