بهبود حافظه براي حل مسئله زمان‌بندي كار كارگاهي پويا

Improving Memory for Solving Dynamic Job Shop Scheduling

وقتي با يك جهان در حال تغيير مواجه مي‌شويد، انسان‌ها نه‌تنها به آينده بلكه به گذشته هم توجه مي‌كنند. توجه كردن به راه‌حل‌هاي مشابه، به ما در تصميم‌گيري در آينده كمك مي‌كند. زماني‌كه با وضعيتي روبرو مي‌شويم كه قبلاً آن را تجربه كرده باشيم بهتر مي‌توانيم با آن روبرو شويم. اگر در حل مسائل بهينه‌سازي با ماهيتي پويا در هنگام جستجو، از اطلاعات گذشته داخل بهينه‌سازي و يادگيري استفاده شود، مي‌تواند به فرآيند جستجوي بهتر كمك كند. يكي از راه‌كارهاي مناسب براي حفظ اطلاعات گذشته استفاده از يك حافظه است. در اكثر تحقيقات نشان داده‌شده است كه به‌كارگيري يك حافظه استاندارد با الگوريتم‌هاي يادگير تقليد از طبيعت مي‌تواند براي حل مسائلي كه ماهيتي پويا دارند مناسب باشد. حافظه استاندارد معمولاً داراي نقطه ضعفي از جمله، ظرفيت محدود حافظه مي‌باشد. در اين مقاله جهت برطرف نمودن نقاط ضعف و محدوديت‌هاي حافظه استاندارد، يك نوع جديد از حافظه باعنوان، حافظه مبتني بر كلاس‌بندي معرفي شده است. اين حافظه با الگوريتم ژنتيك تركيب شده تا براي حل مسائل زمان‌بندي كار كارگاهي پويا به‌كار رود. مسئله زمان‌بندي كار كارگاهي پويا يكي از پيچيده‌ترين حالات زمان‌بندي ماشين به‌شمار مي‌رود. استفاده از حافظه مبتني بر كلاس‌بندي، مسائل پويايي كه ممكن است بر اساس تغيير محيط منسوخ شوند را توسعه مي‌دهد. اين حافظه يك لايه انتزاعي ميان راه‌حل‌هاي عملي و مدخل‌هاي حافظه ايجاد مي‌كند، به‌طوري‌كه راه‌حل‌هاي قديمي ذخيره شده در حافظه به راه‌حل‌هاي محيط جاري نگاشت شوند.

When faced with a changing world, humans are apt to look not just to the future, but to the past. Drawing on knowledge from similar situations we have encountered helps us to decide what to do next. The more experience we’ve had with a particular situation, the better we can expect to perform. When solving dynamic problems using search, it may be enough to solve the problem completely from scratch when we encounter it again. An appropriate strategy for store past information is memory. In the researches shown that using standard memory with evolutionary algorithms for solving dynamic optimization problem is capable. Standard memory is containing infirmity point memory determinate capacity. In this paper presented a new memory namely Classifier-based memory, which solves standard memory problems. This memory combined with GA for solving dynamic scheduling. The dynamic job shop scheduling problem is one of the most complex forms of machine scheduling. Classifier-based memory is introduced to extend the use of memory to dynamic problems where solutions may become obsolete as the environment changes. Classifier-based memory creates an abstraction layer between feasible solutions and memory entries so that old solutions stored in memory may be mapped to solutions that are feasible in the current environment. The technique presented in this paper improves the ability of memories to guide search quickly and efficiently to good solutions as the environment changes.