The subject of this thesis is to examine the performance of different evolutionary algorithms for solving the scheduling problem known as JSP (Job-Shop Scheduling Problem), which is one of the hardest combinatorial optimization problems. This thesis examines the performance of three such algorithms: Genetic Algorithm (GA), the algorithm PSO (Particle Swarm Optimization) algorithm and AFSO (Artificial Fish Swarm Optimization) algorithm for solving the problem JSP. To compare the performance of these algorithms the problem is modeled for these techniques and then is implemented with an appropriate software, using the programming language C. Finally, the three evolutionary algorithms are being checked on well-defined and widely known JSP problems, for which the optimal solution is already known.
Το αντικείμενο της συγκεκριμένης πτυχιακής εργασίας είναι η εξέταση της απόδοσης διαφόρων εξελικτικών αλγορίθμων για την επίλυση του γνωστού προβλήματος χρονοδρομολόγησης JSP (Job-Shop Scheduling Problem), το οποίο αποτελεί ένα από τα δυσκολότερα προβλήματα συνδυαστικής βελτιστοποίησης. Η συγκεκριμένη πτυχιακή εργασία εξετάζει την απόδοση τριών τέτοιων αλγορίθμων: των Γενετικών Αλγορίθμων (ΓΑ), του αλγορίθμου PSO (Particle Swarm Optimization) και του αλγορίθμου AFSO (Artificial Fish Swarm Optimization) για την επίλυση του προβλήματος χρονοδρομολόγησης JSP. Η σύγκριση της απόδοσης των παραπάνω αλγορίθμων γίνεται μέσω της μοντελοποίησης του προβλήματος για τις τεχνικές αυτές και της υλοποίησης κατάλληλου λογισμικού σε γλώσσα προγραμματισμού C, πάνω σε καλά ορισμένα και ευρέως γνωστό στιγμιότυπα προβλημάτων JSP, για τα οποία η βέλτιστη λύση είναι ήδη γνωστή.
Hellenic Open University
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
Main Files
Ανάλυση, Σχεδιασμός και Υλοποίηση Αλγορίθμων Υπολογιστικής Νοημοσύνης σε Προβλήματα Χρονοδρομολόγησης - Identifier: 143189
Internal display of the 143189 entity interconnections (Node labels correspond to identifiers)
