بهبود حافظه برای حل مسئله زمان‌بندی کار کارگاهی پویا

نویسندگان

1 دانشگاه آزاد اسلامی واحد یاسوج - باشگاه پژوهشگران جوان و نخبگان

2 دانشگاه آزاد اسلامی واحد نورآباد ممسنی - دانشکده فنی و مهندسی

3 دانشگاه آزاد اسلامی واحد نورآباد ممسنی - باشگاه پژوهشگران جوان و نخبگان

4 دانشگاه آزاد اسلامی واحد یاسوج - دانشکده مهندسی برق

چکیده

وقتی با یک جهان در حال تغییر مواجه می‌شوید، انسان‌ها نه‌تنها به آینده بلکه به گذشته هم توجه می‌کنند. توجه کردن به راه‌حل‌های مشابه، به ما در تصمیم‌گیری در آینده کمک می‌کند. زمانی‌که با وضعیتی روبرو می‌شویم که قبلاً آن را تجربه کرده باشیم بهتر می‌توانیم با آن روبرو شویم. اگر در حل مسائل بهینه‌سازی با ماهیتی پویا در هنگام جستجو، از اطلاعات گذشته داخل بهینه‌سازی و یادگیری استفاده شود، می‌تواند به فرآیند جستجوی بهتر کمک کند. یکی از راه‌کارهای مناسب برای حفظ اطلاعات گذشته استفاده از یک حافظه است. در اکثر تحقیقات نشان داده‌شده است که به‌کارگیری یک حافظه استاندارد با الگوریتم‌های یادگیر تقلید از طبیعت می‌تواند برای حل مسائلی که ماهیتی پویا دارند مناسب باشد. حافظه استاندارد معمولاً دارای نقطه ضعفی از جمله، ظرفیت محدود حافظه می‌باشد. در این مقاله جهت برطرف نمودن نقاط ضعف و محدودیت‌های حافظه استاندارد، یک نوع جدید از حافظه باعنوان، حافظه مبتنی بر کلاس‌بندی معرفی شده است. این حافظه با الگوریتم ژنتیک ترکیب شده تا برای حل مسائل زمان‌بندی کار کارگاهی پویا به‌کار رود. مسئله زمان‌بندی کار کارگاهی پویا یکی از پیچیده‌ترین حالات زمان‌بندی ماشین به‌شمار می‌رود. استفاده از حافظه مبتنی بر کلاس‌بندی، مسائل پویایی که ممکن است بر اساس تغییر محیط منسوخ شوند را توسعه می‌دهد. این حافظه یک لایه انتزاعی میان راه‌حل‌های عملی و مدخل‌های حافظه ایجاد می‌کند، به‌طوری‌که راه‌حل‌های قدیمی ذخیره شده در حافظه به راه‌حل‌های محیط جاری نگاشت شوند.

کلیدواژه‌ها


عنوان مقاله [English]

Improving Memory for Solving Dynamic Job Shop Scheduling

نویسندگان [English]

  • M. Mohammadpour 1
  • H. Parvin 2 3
  • S. Nejatian 4
1 Young Researchers and Elite Clubs, Yasooj Branch, Islamic Azad University, Yasooj, Iran
2 Department of Computer Engineering, Noorabad Mamasani Branch, Islamic Azad University, Noorabad Mamasani, Iran|Young Researchers and Elite Clubs, Noorabad Mamasani, Islamic Azad University, Noorabad Mamasani, Iran
3 Department of Computer Engineering, Noorabad Mamasani Branch, Islamic Azad University, Noorabad Mamasani, Iran|Young Researchers and Elite Clubs, Noorabad Mamasani, Islamic Azad University, Noorabad Mamasani, Iran
4 Department of Computer Engineering, Yasooj Branch, Islamic Azad University, Yasooj, Iran
چکیده [English]

When faced with a changing world, humans are apt to look not just to the future, but to the past. Drawing on knowledge from similar situations we have encountered helps us to decide what to do next. The more experience we’ve had with a particular situation, the better we can expect to perform. When solving dynamic problems using search, it may be enough to solve the problem completely from scratch when we encounter it again. An appropriate strategy for store past information is memory. In the researches shown that using standard memory with evolutionary algorithms for solving dynamic optimization problem is capable. Standard memory is containing infirmity point memory determinate capacity. In this paper presented a new memory namely Classifier-based memory, which solves standard memory problems. This memory combined with GA for solving dynamic scheduling. The dynamic job shop scheduling problem is one of the most complex forms of machine scheduling. Classifier-based memory is introduced to extend the use of memory to dynamic problems where solutions may become obsolete as the environment changes. Classifier-based memory creates an abstraction layer between feasible solutions and memory entries so that old solutions stored in memory may be mapped to solutions that are feasible in the current environment. The technique presented in this paper improves the ability of memories to guide search quickly and efficiently to good solutions as the environment changes.

کلیدواژه‌ها [English]

  • Classifier-based memory
  • dynamic job shop scheduling
  • optimization
  • genetic algorithm