Parallélisation d'un algorithme d'optimisation par colonies de fourmis pour la résolution d'un problème d'ordonnancement industriel
Bibliographic record
Abstract
Les problèmes d'optimisation combinatoire peuvent être retrouvés, sous différentes formes, dans un grand nombre de sphères d'activité économique au sein de notre société. Ces problèmes complexes représentent encore un défi de taille pour bon nombre de chercheurs issus de domaines scientifiques variés tels les mathématiques, l'informatique et la recherche opérationnelle, pour ne citer que quelques exemples. La nécessité de résoudre ces problèmes de façon efficace et rapide a entraîné le prolifération de méthodes de résolution de toutes sortes, certaines étant plus spécifiques à un problème et d'autres étant plus génériques. \n \nCe mémoire réunit différentes notions du parallélisme et des métaheuristiques afin d'apporter une méthode de résolution performante à un problème d'optimisation combinatoire réel. Il démontre que l'introduction de stratégies de parallélisation à un algorithme d'Optimisation par Colonies de Fourmis permet à ce dernier d'améliorer considérablement ses facultés de recherche de solutions. Le succès de cette approche dans la résolution d'un problème d'ordonnancement industriel rencontré dans une entreprise de fabrication d'aluminium montre l'intérêt pratique de ces méthodes et leurs retombées économiques potentielles. \n \nCe travail de recherche, loin d'être une fin en soi, représente plutôt une première exploration des possibilités offertes par deux domaines fort prometteurs de l'informatique et de la recherche opérationnelle. L'union de méthodes d'apprentissage intelligentes et d'une puissance de calcul imposante pourrait fort bien se révéler un outil performant pour la résolution de problèmes d'une telle envergure. \n
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) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".