عنوان فارسی مقاله:بهینه ساز ترکیبی ژنتیکی و کفتار خالدار برای مسئله زمان بندی فلوشاپ (جریان کار)

چکیده

این مقاله یک الگوریتم ترکیبی جدید را ارائه می‌کند که الگوریتم‌های ژنتیک (GAs) و الگوریتم بهینه‌سازی کفتار خالدار (SHOA) را برای حل مسئله زمان‌بندی کارگاه تولید (فلوشاپ) ترکیب می‌کند. الگوریتم GA-SHOA پیشنهادی، عملگرهای ژنتیکی، مانند متقاطع یکنواخت و جهش، را در الگوریتم SHOA برای بهبود عملکرد آن ترکیب می‌کند. ما الگوریتم را روی مجموعه‌ای از نمونه‌های کتابخانه OR ارزیابی کردیم و آن را با دیگر الگوریتم‌های بهینه‌سازی پیشرفته، از جمله SSO، SCE-OBL، CLS-BFO و ACGA مقایسه کردیم. نتایج تجربی نشان می‌دهد که الگوریتم GA-SHOA به طور مداوم راه‌حل‌های بهینه یا نزدیک به بهینه را برای همه نمونه‌های آزمایش شده پیدا می‌کند و از سایر الگوریتم‌ها بهتر عمل می‌کند. مقاله ما از طرق مختلف به غنی شدن منابع و مطالعات کمک می‌کند. اول، ما یک الگوریتم ترکیبی را پیشنهاد می‌کنیم که به طور موثری قابلیت‌های اکتشاف و بهره‌برداری SHO و GA را ترکیب می‌کند و منجر به یک فرآیند جستجوی متعادل و کارآمد برای یافتن راه‌حل‌های تقریباً بهینه برای FSSP می‌شود. دوم، ما روش‌های SHO و GA را با نیازهای خاص FSSP، از جمله طرح‌های رمزگذاری، ارزیابی تابع هدف و مدیریت محدودیت‌ها، تطبیق می‌دهیم، که تضمین می‌کند که الگوریتم ترکیبی برای رسیدگی به چالش‌های ایجاد شده توسط FSSP مناسب است. سوم، ما یک ارزیابی عملکرد جامع از الگوریتم ترکیبی پیشنهادی را انجام می‌دهیم که اثربخشی آن را از نظر کیفیت راه‌حل و کارایی محاسباتی نشان می‌دهد. در نهایت، ما یک تجزیه و تحلیل عمیق از رفتار الگوریتم ترکیبی ارائه می‌دهیم، در مورد نقش مؤلفه‌های SHO و GA و تعاملات آنها در طول فرآیند جستجو بحث می‌کنیم، که می‌تواند به درک عوامل مؤثر در موفقیت الگوریتم و ارائه بینش در خصوص بهبودهای بالقوه یا سازگاری با سایر مسائل بهینه سازی ترکیبی کمک می‌کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Hybrid Genetic and Spotted Hyena Optimizer for Flow Shop Scheduling Problem

Abstract

This paper presents a new hybrid algorithm that combines genetic algorithms (GAs) and the optimizing spotted hyena algorithm (SHOA) to solve the production shop scheduling problem. The proposed GA-SHOA algorithm incorporates genetic operators, such as uniform crossover and mutation, into the SHOA algorithm to improve its performance. We evaluated the algorithm on a set of OR library instances and compared it to other state-of-the-art optimization algorithms, including SSO, SCE-OBL, CLS-BFO and ACGA. The experimental results show that the GA-SHOA algorithm consistently finds optimal or near-optimal solutions for all tested instances, outperforming the other algorithms. Our paper contributes to the field in several ways. First, we propose a hybrid algorithm that effectively combines the exploration and exploitation capabilities of SHO and GA, resulting in a balanced and efficient search process for finding near-optimal solutions for the FSSP. Second, we tailor the SHO and GA methods to the specific requirements of the FSSP, including encoding schemes, objective function evaluation and constraint handling, which ensures that the hybrid algorithm is well suited to address the challenges posed by the FSSP. Third, we perform a comprehensive performance evaluation of the proposed hybrid algorithm, demonstrating its effectiveness in terms of solution quality and computational efficiency. Finally, we provide an in-depth analysis of the behavior of the hybrid algorithm, discussing the roles of the SHO and GA components and their interactions during the search process, which can help understand the factors contributing to the success of the algorithm and provide insight into potential improvements or adaptations to other combinatorial optimization problems.