حداقلسازي توابع هدف غيرنزولي براي مسئله زمان‌بندي واحد زمان كارگاه باز با الگوريتم ژنتيك

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

در عصر حاضر، برنامه ريزي فعاليتي ضروري و اجتناب ناپذير در تمام امور فردي، اجتماعي و سازماني محسوب مي شود. به نحوي كه بدون توجه به آن هيچ فعاليتي به صورت كارآمد و موثر تحقق نخواهد گرفت. يكي از مسائل مهم مورد بحث در علم تحقيق در عمليات راجع به موضوع زمان‌بندي است. اين مطالعه به مسئله كارگاه باز ميپردازد، زيرا در سال هاي اخير، كاربرد مدل‌هاي رياضياتي براي حل بهينه اي مسائل زمانبندي توجه بسياري از محققين را به خود جلب كرده است. در اين راستا، بسياري از تحقيقات درباره مدل سازي كار كارگاهي و جريان كارگاهي بوده و روي فرمول‌بندي مسئله زمان‌بندي كارگاه باز انجام شده است. هدف اين تحقيق يافتن راه حلي ساده و بهينه براي مسئله زمان‌بندي كارگاه باز با تابع هدف تفكيك پذير با استفاده از روش فراابتكاري الگوريتم ژنتيك مي باشد. در الگوريتم اين مسئله، عملگر تقاطع PMX و عملگر جهش جابه جايي استفاده شد. در ادامه نيز مقايسه اي ميان جواب هاي به دست آمده به سه روش انتخاب متفاوت در كدبندي الگوريتم ژنتيك شامل روش هاي انتخاب برتر، انتخاب تورنمنتي و انتخاب چرخ رولت صورت مي گيرد. اطلاعات مورد نياز براي اين پژوهش به صورت كتابخانه اي و مراجعه به اسناد، مدارك و سايت هاي معتبر جمع آوري شد. نتايج پژوهش حاضر حاكي از آن بود كه مسئله زمانبندي كارگاه باز با استفاده از الگوريتم فراابتكاري ژنتيك راحت تر و سريعتر به جواب مي رسد و روش انتخاب برتر جواب بهتري را نسبت به دو روش ديگر نشان مي دهد.

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 open-shop scheduling problem. This study was intended to investigate the effectiveness of meta-heuristic genetic algorithm in order to minimize non-decreasing 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 meta-heuristic genetic algorithm can rapidly find the optimal solution. Furthermore, rank selection resulted in more optimal solutions instead of the other two.