حداقلسازی توابع هدف غیرنزولی برای مسئله زمان‌بندی واحد زمان کارگاه باز با الگوریتم ژنتیک

در عصر حاضر، برنامه ریزی فعالیتی ضروری و اجتناب ناپذیر در تمام امور فردی، اجتماعی و سازمانی محسوب میشود. به نحوی که بدون توجه به آن هیچ فعالیتی به صورت کارآمد و موثر تحقق نخواهد گرفت. یکی از مسائل مهم مورد بحث در علم تحقیق در عملیات راجع به موضوع زمان‌بندی است. این مطالعه به مسئله کارگاه باز میپردازد، زیرا در سالهای اخیر، کاربرد مدل‌های ریاضیاتی برای حل بهینه ای مسائل زمانبندی توجه بسیاری از محققین را به خود جلب کرده است. در این راستا، بسیاری از تحقیقات درباره مدلسازی کار کارگاهی و جریان کارگاهی بوده و روی فرمول‌بندی مسئله زمان‌بندی کارگاه باز انجام شده است. هدف این تحقیق یافتن راه حلی ساده و بهینه برای مسئله زمان‌بندی کارگاه باز با تابع هدف تفکیکپذیر با استفاده از روش فراابتکاری الگوریتم ژنتیک می باشد. در الگوریتم این مسئله، عملگر تقاطع pmx و عملگر جهش جابهجایی استفاده شد. در ادامه نیز مقایسهای میان جوابهای به دست آمده به سه روش انتخاب متفاوت در کدبندی الگوریتم ژنتیک شامل روشهای انتخاب برتر، انتخاب تورنمنتی و انتخاب چرخ رولت صورت می گیرد. اطلاعات مورد نیاز برای این پژوهش بهصورت کتابخانهای و مراجعه به اسناد، مدارک و سایتهای معتبر جمع آوری شد. نتایج پژوهش حاضر حاکی از آن بود که مسئله زمانبندی کارگاه باز با استفاده از الگوریتم فراابتکاری ژنتیک راحت تر و سریعتر به جواب می رسد و روش انتخاب برتر جواب بهتری را نسبت به دو روش دیگر نشان میدهد.

Minimizing Non-decreasing Objective Functions for the Open Shop Scheduling Problem Using Genetic Algorithm

Planning is currently considered as an important element for the whole personal, societal and organizational affairs, whereby every activity would be performed effectively. Scheduling is of high significance in operations research. Recently, scholars have drawn much attention to the application of mathematical modeling as an optimization approach in solving the complex scheduling problems. However, only a few have addressed the openshop scheduling problem. This study was intended to investigate the effectiveness of metaheuristic genetic algorithm in order to minimize nondecreasing separable objective functions for such problem. In this genetic algorithm, displacement mutation and partially matched crossover were adopted as two operators. Moreover, the obtained solutions were compared based on how to select the best chromosome by using methods of tournament selection, rank selection, and roulette wheel selection. The data were collected through literature review. It was exhibited that metaheuristic genetic algorithm can rapidly find the optimal solution. Furthermore, rank selection resulted in more optimal solutions instead of the other two.