ارائه الگوریتم فراابتکاری ترکیبی بهبود‌یافته برای حل زمان‌بندی کار کارگاهی انعطاف‌پذیر

مسئله‌ی زمان‌بندی کار کارگاهی انعطاف‌پذیر یکی از سخت‌ترین و مهم‌ترین مسائل برنامه‌ریزی زمان‌بندی تولید بوده و به‌طورگسترده در بسیاری از صنایع مورداستفاده قرار می‌گیرد. به دلیل وجود تعداد جواب‌های ممکن بسیار زیاد، تعیین راه‌حل بهینه برای مسائل با اندازه‌های متوسط و بزرگ در یک زمان مناسب برای مسئله‌ی زمان‌بندی کارکارگاهی انعطاف‌پذیر امکان‌پذیر نبوده، لذا در زمره‌ی مسائل np-hard محسوب ‌گردیده که برای حل آن‌ها الگوریتم‌های فراابتکاری کاربرد بسیاری دارند. این تحقیق با هدف ارائه‌ی یک روش ترکیبی و نوآورانه، برای ایجاد یک الگوریتم فراابتکاری ترکیبی جدید به‌منظور بهینه‌سازی در مسئله‌ی زمان‌بندی کار کارگاهی انعطاف‌پذیر ازطریق اثرگذاری در تولید جمعیت اولیه که منجربه کاهش زمان تکمیل کل در سیستم‌های تولیدی می‌شود، طراحی شده که در این روش ترکیبی، دو الگوریتم فراابتکاری ژنتیک و جستجوی ممنوعه با هم ادغام گردیده و یک الگوریتم فراابتکاری بهبودیافته ارائه شده‌است. الگوریتم بهبودیافته تمرکز بر تولید جمعیت اولیه‌ی پالایش‌شده و بهبودیافته‌ی گروهی ازطریق استفاده از لیست ممنوعه‌ی حاصله از الگوریتم جستجوی ممنوعه به‌عنوان جمعیت اولیه برای الگوریتم ژنتیک دارد که در تحقیقات قبلی این موضوع یعنی تولید یک جمعیت اولیه‌ی گروهی مناسب و اصلاح‌شده توسط ترکیب الگوریتم‌ها انجام نشده است. ابتدا مدل ریاضی مسئله بیان شده و در ادامه الگوریتم‌های مورداستفاده در نرم‌افزار matlab کدنویسی و به‌وسیله حل مسائل زمان‌بندی کار کارگاهی انعطاف‌پذیر در ابعاد مختلف به مقایسه‌ی عملکرد الگوریتم‌ها پرداخته می‌شود. نتایج پژوهش نشان می‌دهد الگوریتم ارائه‌شده ازطریق اصلاح جمعیت اولیه نتیجه‌ی بهتری نسبت به دو الگوریتم پایه‌ی ترکیب (ژنتیک و جستجوی ممنوعه) و دو الگوریتم بهینه‌سازی ازدهام ذرات و کلونی مورچه‌ها داشته است.

a hybrid metaheuristic algorithm for flexible job shop scheduling

the flexible job shop scheduling problem is one of the most challenging and important production scheduling problems and is widely applied across many industries. due to the vast number of possible solutions, finding an optimal solution for medium- and large-scale instances within a reasonable time is not feasible, classifying fjsp as an np-hard problem, for which metaheuristic algorithms are highly effective. this study proposes a novel hybrid metaheuristic approach aimed at optimizing fjsp by enhancing the initial population to reduce the total completion time in production systems. the proposed hybrid algorithm integrates two metaheuristic techniques genetic algorithm (ga) and tabu search (ts) to create an improved solution method. the improved algorithm focuses on generating a refined initial population by leveraging the tabu list obtained from ts as the initial population for ga. previous studies have not addressed the creation of a suitable, enhanced initial population through the combination of these algorithms. first, the mathematical model of the problem is presented. then, the algorithms are implemented in matlab, and their performance is evaluated by solving fjsp instances of various sizes. the results indicate that the proposed algorithm, through the refinement of the initial population, outperforms the two base hybrid algorithms (ga and ts) as well as the particle swarm optimization (pso) and ant colony optimization (aco) algorithms.