بهینه سازی سلسله مراتبی موثر با یک الگوریتم ژنتیک رقابتی چند سلسله مراتبی برای برنامه انبارداری کار انعطاف پذیر

Elsevier
سال انتشار :
2015
تعداد صفحات مقاله انگلیسی :
7
نشریه :
الزویر
تعداد رفرنس ها :
27
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Multiple solution space Solution space competition Genetic algorithm Hierarchical optimization Flexible job-shop scheduling problem
کلمات کلیدی :
فضای راه حل چندگانه، رقابت فضای راه حل، الگوریتم ژنتیک، بهینه سازی سلسله مراتبی، برنامه زمانبندی انعطاف پذیری شغل
عنوان فارسی :

بهینه سازی سلسله مراتبی موثر با یک الگوریتم ژنتیک رقابتی چند سلسله مراتبی برای برنامه انبارداری کار انعطاف پذیر

عنوان انگلیسی :

Effective hierarchical optimization by a hierarchical multi-space competitive genetic algorithm for the flexible job-shop scheduling problem

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417415005394
آدرس DOI :
https://doi.org/10.1016/j.eswa.2015.08.003
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2015

تعداد صفحات مقاله انگلیسی : 6

نشریه : الزویر

تعداد رفرنس ها : 27

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Multiple solution space Solution space competition Genetic algorithm Hierarchical optimization Flexible job-shop scheduling problem

کلمات کلیدی : فضای راه حل چندگانه، رقابت فضای راه حل، الگوریتم ژنتیک، بهینه سازی سلسله مراتبی، برنامه زمانبندی انعطاف پذیری شغل

عنوان فارسی : بهینه سازی سلسله مراتبی موثر با یک الگوریتم ژنتیک رقابتی چند سلسله مراتبی برای برنامه انبارداری کار انعطاف پذیر

عنوان انگلیسی : Effective hierarchical optimization by a hierarchical multi-space competitive genetic algorithm for the flexible job-shop scheduling problem

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417415005394



چکیده انگلیسی
In this paper, we propose a new optimization technique, the hierarchical multi-space competitive distributed genetic algorithm (HmcDGA), which is effective for the hierarchical optimization problem. It is an extension of the multi-space competitive distributed genetic algorithm (mcDGA), which was proposed by the authors. The mcDGA efficiently finds an optimal solution with a low computational cost by increasing the number of individuals in a solution space in which it is likely to exist. An optimization method that is divided into several levels of hierarchy is called a hierarchical optimization. Several hierarchical optimization techniques have been proposed, including the hierarchical genetic algorithm (HGA). In hierarchical optimization, a complex problem is divided into a hierarchical collection of simpler problems, and each level is optimized independently. In this way, complex problems can be solved without the need to develop problem-specific operators. However, in the conventional HGA, this results in a high computational cost because the genetic algorithm (GA) is repeated many times at upper and lower level. The HmcDGA is a hybrid of the mcDGA and HGA, and it has some of the advantages of each one; for example, the HmcDGA can find an optimal solution at low computational cost and without requiring special operations. This allows it to be applied to a wide variety of optimization problems. Therefore, the HmcDGA may become the powerful optimization algorithm that can solve various problems. In this paper, we apply the proposed HmcDGA to the flexible job-shop scheduling problem (FJSP) which is one of the complex combinational optimization problem and confirm its effectiveness. Simulation results show that the HmcDGA can find solutions that are comparable to those found by using GAs developed specifically for the FJSP, the HmcDGA is not required a lot of computational costs comparing to the HGA.

چکیده فارسی
در این مقاله، یک روش جدید بهینه سازی پیشنهاد می کنیم، الگوریتم ژنتیک توزیع سلسله مراتبی چند فضای رقابتی (HmcDGA)، که برای مسئله بهینه سازی سلسله مراتبی موثر است. این گسترش یک الگوریتم ژنتیک توزیع چند فضای رقابتی (mcDGA) است که توسط نویسندگان پیشنهاد شده است. mcDGA به طور موثر یک راه حل بهینه با هزینه کم محاسبات را با افزایش تعداد افراد در یک فضای راه حل که احتمالا وجود دارد، پیدا می کند. یک روش بهینه سازی که به چندین سلسله مراتب تقسیم می شود، بهینه سازی سلسله مراتبی است. چندین روش بهینه سازی سلسله مراتبی پیشنهاد شده است، از جمله الگوریتم ژنتیک سلسله مراتبی (HGA). در بهینه سازی سلسله مراتبی، یک مشکل پیچیده به یک مجموعه سلسله مراتبی از مشکلات ساده تقسیم می شود، و هر سطح به طور مستقل بهینه سازی شده است. به این ترتیب، مشکلات پیچیده را می توان بدون نیاز به توسعه اپراتورهای خاص حل کرد. با این حال، در HGA معمولی، این منجر به هزینه محاسباتی بالا می شود، زیرا الگوریتم ژنتیک (GA) چندین مرتبه در سطح بالا و پایین تکرار می شود. HmcDGA ترکیبی از mcDGA و HGA است و برخی از مزایای هر یک دارد. برای مثال، HmcDGA می تواند یک راه حل بهینه را در هزینه کم محاسبات و بدون نیاز به عملیات خاص پیدا کند. این اجازه می دهد تا آن را به طیف گسترده ای از مشکلات بهینه سازی استفاده شود. بنابراین، HmcDGA ممکن است الگوریتم بهینه سازی قدرتمند باشد که بتواند مشکلات مختلفی را حل کند. در این مقاله، HmcDGA پیشنهاد شده را به مسئله برنامه ریزی کارگاه انعطاف پذیر (FJSP) که یکی از مشکلات بهینه سازی ترکیبی پیچیده است و اثربخشی آن تأیید می شود، اعمال می کنیم. نتایج شبیه سازی نشان می دهد که HmcDGA می تواند راه حل هایی را پیدا کند که قابل مقایسه با آنچه که با استفاده از GA ها به طور خاص برای FJSP ایجاد شده است، HmcDGA مقدار زیادی هزینه های محاسباتی را نسبت به HGA مورد نیاز نمی کند.

موضوعات مقاله