Planification de la distribution en contextes de déploiement d'urgence et de logistique hospitalière
Bibliographic record
Abstract
L’optimisation de la distribution est une préoccupation centrale dans l’amélioration de la performance des systèmes industriels et des entreprises de services. Avec les avancées technologiques et l’évolution du monde des affaires, de nouveaux domaines d’application posent des défis aux gestionnaires. Évidemment, ces problèmes de distribution deviennent aussi des centres d’intérêt pour les chercheurs. Cette thèse étudie l’application des méthodes de recherche opérationnelle (R.O.) à l’optimisation des chaînes logistiques dans deux contextes précis : le déploiement logistique en situation d’urgence et la logistique hospitalière. Ces contextes particuliers constituent deux domaines en forte croissance présentant des d’impacts majeurs sur la population. Ils sont des contextes de distribution complexes et difficiles qui exigent une approche scientifique rigoureuse afin d’obtenir de bons résultats et, ultimement, garantir le bien-être de la communauté. Les contributions de cette thèse se rapportent à ces deux domaines. D’abord, nous présentons une révision systématique de la littérature sur le déploiement logistique en situation d’urgence (Chapitre 2) qui nous permet de consolider et de classifier les travaux les plus importants du domaine ainsi que d’identifier les lacunes dans les propositions actuelles. Cette analyse supporte notre seconde contribution où nous proposons et évaluons trois modèles pour la conception d’un réseau logistique pour une distribution juste de l’aide (Chapitre 3). Les modèles cherchent à assurer une distribution équitable de l’aide entre les points de demande ainsi qu’une stabilité dans le temps. Ces modèles permettent les arrérages de la demande et adaptent l’offre aux besoins de façon plus flexible et réaliste. Le deuxième axe de recherche découle d’un mandat de recherche avec le Ministère de la Santé et de Services sociaux du Québec (MSSS). En collaboration avec les gestionnaires du système de santé québécois, nous avons abordé la problématique du transport d’échantillons biomédicaux. Nous proposons deux modèles d’optimisation et une approche de résolution simple pour résoudre ce problème difficile de collecte d’échantillons (Chapitre 4). Cette contribution est par la suite généralisée avec la synchronisation des horaires d’ouverture de centres de prélèvement lors de la planification des tournées. Une procédure itérative de recherche locale est proposée pour résoudre le problème (Chapitre 5). Il en découle un outil efficace pour la planification des tournées de véhicules dans le réseau des laboratoires québécois.
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 | 0.005 |
| 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 | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".