Планирование генетического алгоритма - Википедия - Genetic algorithm scheduling
 | Эта статья включает Список ссылок, связанное чтение или внешняя ссылка, но его источники остаются неясными, потому что в нем отсутствует встроенные цитаты. (Июнь 2020 г.) (Узнайте, как и когда удалить этот шаблон сообщения) |
В генетический алгоритм является исследование операций метод, который может быть использован для решения планирование проблемы в планирование производства.
Важность планирования производства
Чтобы быть конкурентоспособными, корпорации должны минимизировать неэффективность и максимизировать производительность. В производстве производительность неразрывно связана с тем, насколько хорошо фирма может оптимизировать доступные ресурсы, сократить отходы и повысить эффективность. Поиск наилучшего способа максимизировать эффективность производственного процесса может быть чрезвычайно сложным. Даже в простых проектах есть несколько входов, несколько шагов, множество ограничений и ограниченные ресурсы. В целом проблема планирования с ограниченными ресурсами состоит из:
- Набор работ, которые необходимо выполнить
- А конечный набор ресурсов, которые можно использовать для выполнения каждой работы
- Набор ограничений, которые должны быть выполнены
- Временные ограничения - временное окно для выполнения задачи
- Процедурные ограничения - порядок выполнения каждой задачи
- Ограничения ресурса - это доступный ресурс
- Набор целей для оценки производительности планирования
Типичный заводской цех - хороший пример этого, когда необходимо запланировать, какие работы должны быть выполнены на каких машинах, какими сотрудниками, в каком порядке и в какое время.
Использование алгоритмов в планировании
В очень сложных задачах, таких как планирование, нет известного способа получить окончательный ответ, поэтому мы прибегаем к его поиску, пытаясь найти «хороший» ответ. Для поиска оптимального решения в задачах планирования чаще всего используются эвристические алгоритмы. Методы эвристического поиска страдают, поскольку вводимые данные становятся более сложными и разнообразными. Этот тип проблемы известен в Информатика как NP-Hard проблема. Это означает, что не существует известных алгоритмов нахождения оптимального решения за полиномиальное время.
Генетические алгоритмы хорошо подходят для решения календарное планирование производства проблемы, потому что в отличие от эвристических методов генетические алгоритмы работают с совокупностью решений, а не с одним решением. При планировании производства эта совокупность решений состоит из множества ответов, которые могут иметь разные, иногда противоречащие друг другу цели. Например, в одном решении мы можем оптимизировать производственный процесс, чтобы завершить его за минимальное количество времени. В другом решении мы можем оптимизировать минимальное количество дефектов. Увеличивая скорость производства, мы можем столкнуться с увеличением количества дефектов в нашем конечном продукте.
По мере увеличения количества целей, которые мы пытаемся достичь, мы также увеличиваем количество ограничений на проблему и аналогичным образом увеличиваем сложность. Генетические алгоритмы идеально подходят для таких типов задач, когда пространство поиска велико, а количество возможных решений мало.
Применение генетического алгоритма
Чтобы применить генетический алгоритм к задаче планирования, мы должны сначала представить его в виде генома. Один из способов представить геном планирования - определить последовательность задач и время начала этих задач относительно друг друга. Каждая задача и соответствующее ей время начала представляют собой ген.
Определенная последовательность задач и время начала (гены) представляют один геном в нашей популяции. Чтобы убедиться, что наш геном возможное решение мы должны позаботиться о том, чтобы он подчинялся нашим ограничениям приоритета. Мы генерируем начальную популяцию, используя случайное время начала в пределах ограничений приоритета. Затем с помощью генетических алгоритмов мы берем эту начальную популяцию и скрещиваем ее, комбинируя геномы с небольшой долей случайности (мутации). Потомство этой комбинации отбирается на основе фитнес-функция это включает одно или несколько наших ограничений, таких как минимизация времени и минимизация дефектов. Мы позволяем этому процессу продолжаться либо в течение заранее отведенного времени, либо до тех пор, пока не найдем решение, которое соответствует нашим минимальным критериям. В целом, каждое последующее поколение будет иметь более высокую среднюю приспособленность, то есть занимать меньше времени с более высоким качеством, чем предыдущие поколения. При планировании задач, как и в случае с другими решениями генетического алгоритма, мы должны убедиться, что мы не выбираем потомство, которое невозможно, например потомство, которое нарушает наше ограничение приоритета. Конечно, нам, возможно, придется добавить дополнительные значения пригодности, такие как минимизация затрат; однако каждое добавленное ограничение значительно увеличивает пространство поиска и снижает количество подходящих решений.
Смотрите также
- Генетический алгоритм в экономике
- Планирование работы магазина
- Контроль качества и генетические алгоритмы
Библиография
- Уолл, м., Генетический алгоритм планирования с ограниченными ресурсами (PDF)
- Lim, C .; Сим, Э., Планирование производства в производственной / восстановительной среде с использованием генетического алгоритма