AI Summary & Key Takeaways
AI InsightThe most effective crossover operators are determined for both categories according to the results of 2050 experiments.
📌 3 Key Takeaways
Abstract
In this study crossover operators of Genetic Algorithms are tested for flowshop scheduling problems which are in NP-hard class and the most effective operator is determined. Six crossover operators are tested on different scaled flowshop scheduling problems with long processing times. Problems are examined in two categories: 2 machine and multi machine problems. In 2-machine problems six different scaled problems were used which are produced randomly. For multi-machine problems seven different scaled reference problems were used which are produced by J. Carlier. The most effective crossover operators are determined for both categories according to the results of 2050 experiments.
Özet
Bu çalışmada tamamlanma zamanı (Cmax) kriterli akış tipi çizelgeleme problemlerinin Genetik algoritma yardımı ile çözümünde uygun çaprazlama operatörünün belirlenmesine çalışılmıştır. Genetik algoritmanın çözüm performansını önemli ölçüde etkileyen parametrelerden birisi olan çaprazlama operatörünün akış tipi çizelgeleme problemleri için en etkinini belirlemek amacıyla bu tip problemlerin çözümüne uygun olan altı ayrı çaprazlama operatörü; işlem süreleri [1-1000] dakika aralığında üniform dağılıma göre rassal olarak oluşturulan iki makine-çok iş ve J. Carlier (1978) tarafından geliştirilen ve işlem süreleri [1- 1000] dakika aralığında değişen çok makine-çok iş problemleri üzerinde test edilmiştir. Etkin çaprazlama yönteminin makine sayısına bağlı olarak değiştiği belirlenmiştir.