زمانبندی پویا با استفاده از الگوریتم ژنتیک

در محیط های کاربردی، زمانبندی یک فرایند واکنش پذیر در حال انجام است که در آن حضور اطلاعات در زمان واقعی، اجبارا به طور مستمر باعث اصلاح و بازنگری در زمانبندی های از پیش تعیین شده می گردد. در بسیاری از موارد، الگوریتم های زمانبندی که به راه حل های خوب یا نزدیک به بهینه دست می یابند و به نحو احسن می توانند آنها را با انحرافات منطبق نمایند، بهتر از آنهایی هستند که دستیابی به آنها بهینه اند اما نمی توانند چنین انطباقی را پیاده سازی نمایند. این واقعیت، به ما انگیزه می دهد تا بر روی ابزارهایی که می توانند به چنین مسائل زمانبندی توزیع شده پویا رسیدگی کنند تمرکز کنیم. همچنین ممکن است به دلیل پیچیدگی این مسائل، پیدا کردن راه حل های بهینه امکان پذیر نباشد. از آنجا که موضوع تکامل طبیعی یک فرایند انطباقی مستمر است، در نظر گرفتن الگوریتم ژنتیک به عنوان گزینه خوب و مناسبی برای مسائل زمانبندی پویا به نظر می رسد و در این مقاله با تکیه بر پتانسیل الگوریتم ژنتیک برای مقابله با چنین شرایطی پیچیده به مسئله پرداخته می شود. این مقاله مربوط به زمانبندی دقیق حالت عمودی از Extended Job-Shop در محیط های پویا بوده و به زمانبندی کارها، در درک ساخت قطعات ساده و مونتاژ چند مرحله ای آن ها برای تولید محصولات پیچیده ارجاع می دهد، در پایان جهت تحقیقات بیشتر و بهینه سازی بهتر راه حل ها، استفاده از ادغام الگوریتم ژنتیک با الگوریتم های ACO و PSO، پیشنهاد گردیده.

Keywords:

زمانبندی پویا , انطباق پویای جمعیت , مکانیزم بازسازی , الگوریتم ژنتیک