دانلود مقاله ISI انگلیسی شماره 93122
ترجمه فارسی عنوان مقاله

الگوریتم های اکتشافی برای مسایل برنامه ریزی موازی ماشین با یک منبع اضافی کمیاب

عنوان انگلیسی
Heuristic algorithms for the unrelated parallel machine scheduling problem with one scarce additional resource
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
93122 2018 32 صفحه PDF
منبع

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

Journal : Expert Systems with Applications, Volume 93, 1 March 2018, Pages 28-38

ترجمه چکیده
در این مقاله، مسئله برنامه ریزی ماشین موازی نامتقارن با یک منبع اضافی کمیاب برای به حداقل رساندن حداکثر زمان تکمیل مشاغل یا اصطلاحا، مورد مطالعه قرار می گیرد. چندین اکتشافات از دو راهبرد پیشنهادی پیشنهاد شده است: اول، بر اساس محدودیت منابع در طول کل فرایند ساختن راه حل است. دومین مرحله از چندین قانون انتساب بدون توجه به محدودیت منابع شروع می شود و کارهای غیرقابل اجرایی را برای به دست آوردن یک راه حل امکان پذیر می کند. چندین آزمایش آزمایشی بر روی یک معیار گسترده انجام می شود. ارزیابی مقایسهای با مدلهای ریاضی و مدلهای پیشنهادی پیشنهاد شده (ترکیبی از مدلهای ریاضی و اکتشافی) انجام شده است. از نتایج، می توان نتیجه گرفت که روش های ما از کنترول های موجود بهتر عمل می کنند و استراتژی دوم بهتر عمل می کند، مخصوصا برای نمونه های بزرگ.
پیش نمایش مقاله
پیش نمایش مقاله  الگوریتم های اکتشافی برای مسایل برنامه ریزی موازی ماشین با یک منبع اضافی کمیاب

چکیده انگلیسی

In this paper, we study the unrelated parallel machine scheduling problem with one scarce additional resource to minimise the maximum completion time of the jobs or makespan. Several heuristics are proposed following two strategies: the first one is based on the consideration of the resource constraint during the whole solution construction process. The second one starts from several assignment rules without considering the resource constraint, and repairs the non feasible assignments in order to obtain a feasible solution. Several computation experiments are carried out over an extensive benchmark. A comparative evaluation against previously proposed mathematical models and matheuristics (combination of mathematical models and heuristics) is carried out. From the results, we can conclude that our methods outperform the existing ones, and the second strategy performs better, especially for large instances.