دانلود مقاله ISI انگلیسی شماره 105571
ترجمه فارسی عنوان مقاله

بهینه سازی مبتنی بر بیوگرافی بهبود یافته برای دستیابی به راه حل های بهینه سازی زمانبندی کار فروشگاه

عنوان انگلیسی
An improved biogeography-based optimization for achieving optimal job shop scheduling solutions
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
105571 2017 9 صفحه PDF
منبع

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

Journal : Procedia Computer Science, Volume 115, 2017, Pages 30-38

ترجمه کلمات کلیدی
مشکل شغل زمانبندی مغازه، به حداقل رساندن بهینه سازی ترکیبی، بهینه سازی مبتنی بر بیوگرافی،
کلمات کلیدی انگلیسی
Job shop scheduling problem; Makespan minimization; Combinatorial optimization; Biogeography-based optimization;
ترجمه چکیده
در برنامه زمانبندی کار، ما تلاش می کنیم به طور مطلوب مجموعه ای از ماشین ها را به مجموعه ای از عملیات اختصاص دهیم. هدف از این تحقیق، ایجاد یک رویکرد بهینه سازی مبتنی بر زیست شناسان بهبود یافته به منظور به حداقل رساندن مشکلات در برنامه های زمانبندی فروشگاه شغل است. گام به گام تعریف رویکرد پیشنهادی ارائه شده است و بیست و دو مورد مشکل مورد بررسی قرار می گیرد که برنامه زمان بندی کار با استفاده از بهینه سازی مبتنی بر پیشنهادی پیشرفته بهبود زیست شناسی به منظور اثبات کارایی و کارایی آن حل می شود. نتایج عددی نشان می دهد که الگوریتم پیشنهادی قادر به ارائه برنامه های بهینه یا نزدیک به مطلوب برای تمام موارد مشکل است.
پیش نمایش مقاله
پیش نمایش مقاله  بهینه سازی مبتنی بر بیوگرافی بهبود یافته برای دستیابی به راه حل های بهینه سازی زمانبندی کار فروشگاه

چکیده انگلیسی

In job shop scheduling, we attempt to optimally assign a set of machines to a set of operations. The purpose of this research is to develop an improved biogeography-based optimization approach in order to minimize makespan in the job shop scheduling problems. Stepwise delineation of the proposed approach is provided and twenty-two well-studied problem instances of job shop scheduling are solved by the proposed improved biogeography-based optimization in order to prove its efficiency and effectiveness. The numerical results indicate that the proposed algorithm is able to provide optimal or near-optimal schedules for all of the problem instances.