دانلود مقاله ISI انگلیسی شماره 7374 + ترجمه فارسی
عنوان فارسی مقاله

الگوریتم کلونی زنبور عسل مصنوعی بر اساس مشکل خواص داده ها برای برنامه ریزی فروشگاه های شغلی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
7374 2011 6 صفحه PDF 9 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
An Artificial Bee Colony Algorithm Based on Problem Data Properties for Scheduling Job Shops
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Engineering, Volume 23, 2011, Pages 131–136

فهرست مطالب ترجمه فارسی
چکیده
لغات کلیدی
1- مقدمه
2- فرمول بندی مسئله
3- ارزیابی میزان بحرانی بودن مقادیر عددی/ارزشها
4- الگوریتم ترکیبی کلونی زنبور عسل مصنوعی(ABC) 
1-4  اصول علمی الگوریتم ABC 
4.2  رمز گذاری و رمز گشایی
3.4 مدل جستجوی محلی
5- نتایج محاسبات عددی
6- نتیجه گیری
کلمات کلیدی
- الگوریتم مصنوعی کلونی زنبور عسل - مسئله برنامه ریزی شغلی مغازه - جستجوی محلی
ترجمه چکیده
برای حل مسئله ی تقسیم بهینه ی کارها با هدف کاهش بار کل دیرکرد، الگوریتم کلونی زنبور عسل مبتنی بر تحلیل داده های مسئله پیشنهاد می شود. نخست مقادیر مشخصه برای توصیف حالت بحرانی هر کار ،در فرایند زمانبندی و بهینه سازی تعریف شده است. سپس یک سیستم استنتاج فازی برای ارزیابی مقادیر مشخصه براساس دانش عملی زمانبندی استفاده شده است. در پایان؛ یک مکانیسم جستجوی محلی براساس این ایده که کارهای مهم و حساس باید با اولویت بالاتر انجام شوند، طراحی شده است. محاسبات عددی به وسیله ی یک الگوریتم کلونی زنبور عسل مصنوعی انجام شده که مدل جستجوی محلی را کامل می کند. نتایج محاسباتی مسائل در اندازه های مختلف نشان دهنده ی این نکته است که الگوریتم پیشنهادی هم موثر است و هم کارایی دارد.
ترجمه مقدمه
مسئله تقسیم بهینه ی کارها (JSSP) از دهه ی 1950 به عنوان مسئله ی دشوار بهینه سازی ترکیبی شناخته شده است. برحسب پیچیدگی محاسباتی و بنابر دلایل محکم JSSP یک چندجمله ای NP-hard است. بنابراین حتی در مثالهای بسیار کوچک JSSP تضمین یک راه حل بهینه به هیچ وجه ساده نیست. در سالهای اخیر روشهای فوق اکتشافی/غیرنمادین _ مثل الگوریتم ژنتیک GA ، جستجوی ممنوعه(TS)، بهینه سازی جمعی ذرات(PSO)، و بهینه سازی کلونی(ACO)_ به روشنی در شیوه های عملی بهینه سازی برای حل مسایل JSSP کانون توجه قرار گرفته اند. اگرچه وقتی ابعاد مسئله بزرگتر شود، الگوریتم های فوق اکتشافی معمولا زمان زیادی برای همگرایی نیاز دارند.برای افزایش کارایی این الگوریتمها بطور کلی دونوع رویکرد در این نوشتهها مشاهده می شود: (1) تمرکز بر الگوریتم بهینه سازی: فعالیتهای متداول (یا پارامترها) در نسخه ی استاندارد این الگوریتم ها یا تغییر یافته یا مجددا طراحی شده تا عملکرد آنها را در محدوده جستجو بالا برد. (2) تمرکز بر ویژگیهای مسئله ی در دست بررسی: اطلاعات ویژه و خاص مسئله یا مثال استخراج شده و در فرایند جستجو برای شتاب دادن به سرعت همگرایی این الگوریتمها مورد استفاده قرار گرفته است. روش اول از دسته بندی های مسئله، مستقل است اما براساس قضیه ی no free lunch چنان اصلاحاتی در الگوریتم بهینه سازی به تنهایی نمی تواند عملکرد خوبی را برای تمام مسائل تضمین کند. طبق دومین روش، جستجوی محلی ثابت می توان از اطلاعات ویژه برای بهبود و اصلاح راه حلها در فرایند بهینه سازی استفاده کرد. اگرچه نحوه استخراج و توصیف موثر اطلاعات ویژه همچنان چالش برانگیز است اما برای موضوع تحقیق فوق العاده است. در این مقاله، یک سیستم استنتاج نامشخص ابداع کردیم که مبتنی بر معلومات مستقیم برای ارزیابی ارزش بحرانی هرکار است. پس این اطلاعات در یک مکانیسم تحقیق کلی برای ارتقاء بازده بهینه سازی الگوریتم زنبورعسل مصنوعی ABC استفاده شده است. این مقاله به شرح زیر مرتب شده است. دربخش 2 مسئله ی تقسیم بندی بهینه ی کارهابراساس فرمول مورد بحث و بررسی قرار گرفته است. در بخش های 3 و 4 الگوریتمهای مفصل تری ارائه می کنیم. نتایج محاسبات عددی را به همراه تجزیه و تحلیل مختصری در بخش 5 ارائه کرده ایم. بخش 6 نیز به نتیجه گیری کلی اختصاص دارد.
پیش نمایش مقاله
پیش نمایش مقاله الگوریتم کلونی زنبور عسل مصنوعی بر اساس مشکل خواص داده ها برای برنامه ریزی فروشگاه های شغلی

چکیده انگلیسی

To solve the job shop scheduling problem with the objective of minimizing total weighted tardiness, an artificial bee colony algorithm based on problem data analysis is proposed. First, characteristic values are defined to describe the criticality of each job in the process of scheduling and optimization. Then, a fuzzy inference system is employed to evaluate the characteristic values according to practical scheduling knowledge. Finally, a local search mechanism is designed based on the idea that critical jobs should be processed with higher priority. Numerical computations are conducted with an artificial bee colony algorithm which integrates the local search module. The computational results for problems of different sizes show that the proposed algorithm is both effective and efficient.

مقدمه انگلیسی

The job shop scheduling problem (JSSP) has been known as a notoriously hard combinatorial optimization problem since the 1950s. In terms of computational complexity, JSSP is NP-hard in the strong sense. Therefore, even for very small JSSP instances, it is by no means easy to guarantee the optimal solution. In recent years, the metaheuristics — such as genetic algorithm (GA) [1], tabu search (TS) [2], particle swarm optimization (PSO) [3], and ant colony optimization (ACO) [4] — have clearly become the research focus in practical optimization methods for solving JSSPs. However, when the problem size grows, meta-heuristic algorithms usually take excessive time to converge. To enhance the efficiency of these algorithms, two types of approaches may be roughly identified in the literature: (1) Focusing on the optimization algorithm: the conventional operations (or parameters) in the standard version of these algorithms have been modified or redesigned to promote their performance in the neighborhood search. (2) Focusing on the features of the pending problem: problem-specific or instance-specific information is extracted and utilized in the searching process to accelerate the convergence speed of these algorithms. The former approach is independent of problem classes. But according to the no free lunch theorem [5], such improvements on the optimization algorithm alone cannot guarantee good performance for all problems. In terms of the latter approach, embedded local search can utilize the characteristic information to improve the solutions inthe optimization process. However, how to effectively extract and describe the characteristic information remains a challenging but rewarding research topic. In this paper, we devise a fuzzy inference system based on intuitive knowledge to evaluate the criticality value of each job. Then, this information is used in a local search mechanism to promote the optimization efficiency of the artificial bee colony (ABC) algorithm. The paper is organized as follows. The discussed job shop scheduling problem is formulated in Section 2. Sections 3 and 4 presents the detailed algorithms. The computational results and a briefanalysis are provided in Section 5. Finally, the conclusions are given in Section 6.

نتیجه گیری انگلیسی

In this paper, an artificial bee colony algorithm based on criticality information for solving job shop scheduling problems is proposed. The defined criticality values reflect the properties of both the objective function and the most crucial jobs at different stages of the optimization process. The criticality information is extracted and used as a local search optimizer to increase the convergence speed of the optimization process. Computational results show that the proposed algorithm is effective

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.