روش تركيبي جديد براي حل مسئله زمان‌بندي كار كارگاهي انعطاف‌پذير در شرايط چندهدفي به وسيله خوشه‌بندي پويا و كاراي فضاي جستجو

A NEW HYBRID METHOD FOR MULTIOBJECTIVE FLEXIBLE JOB SHOP SCHEDULING BY DYNAMIC an‎d EFFICIENT CLUSTERING

حل مسائل پيچيده با فضاي جستجوي بزرگ، همواره يكي از چالش هاي محققان براي رسيدن به پاسخ هاي بهينه بوده و هست. اما از آنجايي كه به دست آوردن راه حل بهينه با استفاده از روش هاي دقيق و غيرهوشمند، بسيار مشكل است، اغلب رويكردها در سال هاي اخير بر روي روش هاي تقريبي و فراابتكاري معطوف شده است. در اين مقاله، روش جديدي در تركيب الگوريتم هاي فراابتكاري براي حل مسئله زمان بندي كار كارگاهي انعطاف‌پذير در شرايط چندهدفي ارائه شده است. اين مسئله كه نوع تعميم يافته مسئله كلاسيك زمان بندي كار كارگاهي است، جزء مسائل NP-hard محسوب مي شود. معمولاً در خصوص استفاده از روش هاي جستجوي محلي، دغدغه اصلي براي رسيدن به بهينه سراسري، انتخاب نقاط شروع مناسب است. لذا در اين مقاله الگوريتم ژنتيك توسعه يافته اي با تكيه بر پارامتر جديد همسايگي ارائه شده است كه خروجي آن شناسايي چند خوشه در اطراف نواحي برازنده تر است. بهترين راه حل هر خوشه، نماينده مناسبي براي نقطه شروع در روش هاي جستجوي محلي به شمار مي آيد. بهينه سراسري نيز از مقايسه نتايج اين جستجوهاي محلي به دست مي آيد. نتايج محاسباتي بر روي نمونه مسائل معروف نشان مي دهد كه راه حل هاي بهينه سريع تر و مطمئن تر از ساير روش ها به دست آمده است.

Solving complex problems with large search challenges for researchers to achieve optima space is solutions.one of the Since it is multi-objectiveoptimization, difficult to achieve an optimal solution with traditional optimization aalgoritlgorithhmmss,, most approaches has focused on approximation and met Met heuristic algorithms, heuristic methods in recent years. In this paper a new method is Genetic algorithm,proposed for hybridizing met heuristics to solve the multi-objective Local search flexible job shop scheduling problem (FJSP). This problem is an important extension of the classical job shop scheduling problem and has been proven that is NP-hard. In order to achieve optimal solution by using local search methods, the main concern is choosing the appropriate starting point. So in this paper, an improved genetic algorithm based on neighborhood parameter is proposed that its outputs are several dynamic clusters around good areas, including local optimums. The best solution for each cluster is a good starting point in local search methods. Then, the optimal solution is obtained among their results. Computational results on benchmark problems show that the optimal solutions are obtained much faster and reliable than other approaches