ارائه یک رویکرد ترکیبی، موازی و مبتنی بر عامل برای مسئله ی زمان بندی کار کارگاهی با استفاده ازالگوریتم ژنتیک و تکنیک جستجوی محلی

لیلا اسدزاده

ارائه یک رویکرد ترکیبی، موازی و مبتنی بر عامل برای مسئله ی زمان بندی کار کارگاهی با استفاده ازالگوریتم ژنتیک و تکنیک جستجوی محلی

محل انتشار: دوازدهمین کنفرانس بین المللی مهندسی صنایع

سال انتشار: 1394

نوع سند: مقاله کنفرانسی

زبان: فارسی

مشاهده: 414

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > الگوریتم ژنتیک

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/516074

شناسه ملی سند علمی:

IIEC12_190

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

مسئله ی زمانبندی کار کارگاهی نقش مهمی را در سیستم های تولیدی و فرایندهای صنعتی در جهت بهبود بهره وری منابع ایفا میکند از اینرو توسعه ی سخت بودن آن - NP الگوریتمهای زمانبندی کارآمد برای حل آن اهمیت بسیاری دارد. این مسئله یکی از شناخته شدهترین مسائل در زمانبندی تولید است که ثابت شده است. الگوریتم های فرا- مکاشف های مانند الگوریتم ژنتیک کاربرد گسترده ای در حل مسائل بهینه سازی مختلف همچون مسئلهی زمانبندی کار کارگاهی دارند. در این مقاله، یک رویکرد ترکیبی و موازی با استفاده از الگوریتم ژنتیک و تکنیک جستجوی محلی برای حل مسئله ارائه میکنیم و یک سیستمچندعاملی شامل تعدادی عامل هوشمند جهت پیادهسازی رویکرد پیشنهادی توسعه میدهیم. نتایج ارزیابی رویکرد پیشنهادی با مسائل محک مختلف، بیانگر کارایی آن در حل مسئله ی زمانبندی کار کارگاهی است

کلیدواژه ها:

مسئله ی زمانبندی کار کارگاهی ، الگوریتم ژنتیک ، تکنیک جستجوی محلی ، الگوریتم ژنتیک موازی ، سیستم چندعاملی

نویسندگان

لیلا اسدزاده

عضو هیئت علمی، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

Bellifemine, F., Poggi, A., Rimassa, G., 2001. Developing multi-agent systems ...
Hansen, P., Mladenovic , N., Pe rez, J.A.M., 2008. Variable ...
Gen, M., Tsujimura, Y., 1997. Genetic algorithms for solving multiprocessor ...
Goldberg, D.E., 1989. Genetic Algorithms in Search, Optimization and Machine ...
Goldberg, D.E., Lingle, R., 1985. Alleles, loci, and the TSP ...
_ _ Resource _ _ _ _ Investigation of Heuristic ...
Mattfeld D.C., Vaessens R., M., 2008. Job shop scheduling benchmarks. ...
Ombuki, B.M., Ventresca, M., 2004. Local search genetic algorithms for ...
Asadzadeh, L., Zamanifar, K., 2010. An agent-based parallel approach for ...
Dorndorf, J., Pesch, E., Evolution based learning in a job ...
Goncalves, J.F., Mendes, J.J.D.M., Resende, M.G.C., 2005. A hybrid genetic ...
Binato, S., Hery, W.J, Loewenstern, D.M., Resende, M.G.C., 2002. A ...

نمایش کامل مراجع