A New Multi-objective Job Shop Scheduling with Setup Times Using a Hybrid Genetic Algorithm

در اين مقاله يك مساله جديد چند هدفه زمانبندي كارگاهي با زمان هاي آماده سازي وابسته به توالي ارايه مي شود. اهداف، كمينه كردن دامنه عمليات و مجموع ديركرد و زودكرد كارها در يك بازه زماني است. از آنجايي كه مساله زمانبندي كارگاهي به عنوان يك مساله NP-hard ثابت شده است، رويكردهاي سنتي در زماني معقول به جواب بهينه نمي توانند برسند. بنابراين، ما يك الگوريتم ژنتيك تركيب چندهدفه اي پيشنهاد داده ايم. برازندگي بر اساس روابط غلبه و مجموع وزني توابع به ترتيب در الگوريتم ژنتيك و جستجوي محلي استفاده شده است. ما الگوريتم جستجوي همسايگي متغير را به عنوان رويه بهبود دهنده محلي در الگوريتم پيشنهادي رويs بهترين جواب ها در تكرارهاي مشخصي به كار گرفته ايم. جهت اثبات كردن كارايي الگوريتم پيشنهادي، تعدادي مساله حل شدند. اعتبار آن بر پايه چند معيار مقايسه اي با الگوريتم تكاملي شناخته شده SPEAII سنجيده شده است. نتايج نشان داد كه الگوريتم HGA پيشنهادي بر الگوريتم SPEAII برتري دارد.

This paper presents a new multi-objective job shop scheduling with sequence-dependent setup times. The objectives are to minimize the makespan and sum of the earliness and tardiness of jobs in a time window. Scince a job shop scheduling problem has been proved to be NP-hard in a strong, traditional approaches cannot reach to an optimal solution in a reasonable time. Thus, we propose an efficient multi-objective hybrid genetic algorithm (GA). We assign fitness based dominance relation and weighted aggregate in the genetic algorithm and local search, respectively.We take a variable neighborhood search algorithm as a local improving procedure in the proposed algorithm to the best individuals in the population of GA every specific number generations. To validate the efficiency of our proposed HGA, a number of test problems are solved. Its performance based on some comparison metrics is compared with a prominent multi-objective evolutionary algorithm, namely SPEA-II. The computational results show that the proposed HGA outperforms the SPEAII algorithm.