Ανάπτυξη εξελικτικού αλγόριθμου και βελτιστοποίηση παραμέτρων λειτουργίας του για προβλήματα χρονοπρογραμματισμού εργασιών

Abstract

Στην εργασία αυτή δημιουργούμε ένα νέο εξελικτικό αλγόριθμος κατάλληλο για επίλυση προβλημάτων συνδυαστικής βελτιστοποίησης αναδιάταξης εργασιών / σημείων, όπως τα προβλήματα χρονοπρογραμματισμού εργασιών, το πρόβλημα του περιπλανώμενου πωλητή και άλλα. Εστιάζουμε τη μελέτη μας στο πρόβλημα χρονοπρογραμματισμού εργασιών flow-shop, όπου ένα πλήθος n εργασιών πρέπει να τύχει επεξεργασίας από ένα πλήθος m μηχανών, με την ίδια σειρά για όλες τις εργασίες, και αναζητούμε το μικρότερο χρόνο ολοκλήρωσης. Ο αλγόριθμος συνδυάζει τεχνικές από αυτές που εφαρμόζονται στη διαδικασία τοπικής αναζήτησης. Καθώς ο αλγόριθμος είναι δεκτικός παραμετροποίησης για ορισμένα στοιχεία που αφορούν στη λειτουργία τους, ακολουθείται μία συστηματική διαδικασία εξόρυξης δεδομένων, με τη βοήθεια της οποίας αξιοποιούνται δεδομένα μετρήσεων από έναν αριθμό εκτελέσεων του αλγορίθμου σε πραγματικά προβλήματα, και αναζητούνται μοντέλα που θα εκτιμήσουν την κατάλληλη παραμετροποίηση του αλγορίθμου για κάθε μέγεθος προβλήματος m x n. Στο τέλος παρατίθενται τα αποτελέσματα με βάση τις προτεινόμενες παραμετροποιήσεις από τα μοντέλα εξόρυξης δεδομένων και γίνεται επαλήθευση της ποιότητας των αποτελεσμάτων. Τα αποτελέσματα δείχνουν ότι η διαδικασία που ακολουθήθηκε δημιουργεί νέες προοπτικές στη βελτίωση της αποδοτικότητας εξελικτικών αλγορίθμων για προβλήματα συνδυαστικής βελτιστοποίησης αλλά και σε άλλες εφαρμογές όπου η παραμετροποίηση αλγορίθμων είναι σημαντικό στοιχείο για την αύξηση της αποτελεσματικότητάς τους.

In this thesis we develop a new evolutionary algorithm, suitable for solving combinatorial optimization scheduling problems, such as jobs scheduling problems, the travelling salesperson problem, etc. We focus our study on flow-shop scheduling problem, where a number of n jobs has to be processed by a number of m machines, at the same sequence for every job, and we seek for smallest completion time. The algorithm combines various techniques used in local search. As various elements of the algorithm can be tuned, we follow a systematic data mining procedure and we utilize data from a number of executions in real problems, in order to seek models for the suitable parameterization for every m x n problem size. Finally we present our results using the model suggested parameters and we verify the quality of our results. The results show that the procedure we follow creates new promises on the improvement in efficiency for evolutionary algorithms in combinatorial optimization problems, and also in other applications where the fine-tuning of algorithms is important element in order to increase their efficiency.