JPH08235254A - 生産スケジュール作成方法 - Google Patents
生産スケジュール作成方法Info
- Publication number
- JPH08235254A JPH08235254A JP3875995A JP3875995A JPH08235254A JP H08235254 A JPH08235254 A JP H08235254A JP 3875995 A JP3875995 A JP 3875995A JP 3875995 A JP3875995 A JP 3875995A JP H08235254 A JPH08235254 A JP H08235254A
- Authority
- JP
- Japan
- Prior art keywords
- individuals
- diversity
- solution
- individual
- mutation probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 ＧＡを適用する際の進化の途中で局所解に陥
ってしまうことなく、短時間で最適解に到達し得るＧＡ
を用いた生産スケジューリング作成方法を提供する。 【構成】 スケジュールの対象となる問題をオーダ数を
長さとする染色体と複数種類の遺伝子によってモデル化
しモデル化された問題に対する解となる個体を作成する
ことにより個体集団を生成するステップと、作成された
各個体を評価するステップと、評価結果に基づいて個体
を選択するステップと、選択された個体間で交差を行う
ステップと、前記交差時の突然変異確率を変化させるス
テップとよりなる。ここで、前記突然変異確率の変化
は、オーダ数、機械台数及び個体数の関数で表わされる
多様度を変数とする関数として表現されるものである。
ってしまうことなく、短時間で最適解に到達し得るＧＡ
を用いた生産スケジューリング作成方法を提供する。 【構成】 スケジュールの対象となる問題をオーダ数を
長さとする染色体と複数種類の遺伝子によってモデル化
しモデル化された問題に対する解となる個体を作成する
ことにより個体集団を生成するステップと、作成された
各個体を評価するステップと、評価結果に基づいて個体
を選択するステップと、選択された個体間で交差を行う
ステップと、前記交差時の突然変異確率を変化させるス
テップとよりなる。ここで、前記突然変異確率の変化
は、オーダ数、機械台数及び個体数の関数で表わされる
多様度を変数とする関数として表現されるものである。
Description
【０００１】
【産業上の利用分野】本発明は生産スケジュールへの遺
伝的アルゴリズム（以下ＧＡ；Genetic Algorithmsとい
う）の適用に関する。
伝的アルゴリズム（以下ＧＡ；Genetic Algorithmsとい
う）の適用に関する。
【０００２】
【従来の技術】近年、生物の進化過程を模擬したＧＡが
スケジューリング問題を始めとする最適化問題の解法と
して注目を集めている。
スケジューリング問題を始めとする最適化問題の解法と
して注目を集めている。
【０００３】そしてこれまでの生産スケジューリングの
ような組み合わせ最適化問題に対して、その有効性が注
目されているＧＡによって最適解を求める手法がいくつ
か提案されている。
ような組み合わせ最適化問題に対して、その有効性が注
目されているＧＡによって最適解を求める手法がいくつ
か提案されている。
【０００４】例えば特開平４−２８１５５０号公報に
は、遺伝的手法により組み合わせ最適化問題の準最適解
を求める装置において、ＧＡを高速に実行するため、個
体処理装置を複数設け、夫々に処理すべき複数の個体を
グループ分けして保持し、該グループ分けされた各個体
の評価、淘汰、交差、突然変異の処理を並列に行い、処
理内容を共有メモリにコピーし、データ集計装置によっ
て共有メモリを参照して各個体の評価値の総和及び全体
に対する割合等を求め、各個体処理装置は淘汰処理の過
程で共有メモリから次の世代の個体を再び取り込み、交
差、突然変異、評価等を並列処理し、これら一連の処理
を繰り返し行った後データ集計装置が評価の一番高い個
体を出力するという技術が開示されている。
は、遺伝的手法により組み合わせ最適化問題の準最適解
を求める装置において、ＧＡを高速に実行するため、個
体処理装置を複数設け、夫々に処理すべき複数の個体を
グループ分けして保持し、該グループ分けされた各個体
の評価、淘汰、交差、突然変異の処理を並列に行い、処
理内容を共有メモリにコピーし、データ集計装置によっ
て共有メモリを参照して各個体の評価値の総和及び全体
に対する割合等を求め、各個体処理装置は淘汰処理の過
程で共有メモリから次の世代の個体を再び取り込み、交
差、突然変異、評価等を並列処理し、これら一連の処理
を繰り返し行った後データ集計装置が評価の一番高い個
体を出力するという技術が開示されている。
【０００５】また特開平４−２８８６６２号公報には荷
重空間において局所的な極小点に捕獲されるというバッ
クプロパゲーション法の問題を解決し、さらにグローバ
ルな最適極小点への収束を早め、進化の時間を短縮させ
ることを目的とし、ニューラルネットワークの遺伝子集
団を構成するステップと、遺伝子をニューラルネットワ
ークに変換するステップ（即ちシナプス結合荷重を設定
するステップ）と、各ネットワークを学習して所定の仕
事（タスク）をさせるステップ（この際１ネットワーク
の学習回数はランダムに選ばれる）と、各ネットワーク
に仕事をさせて各ネットワークを試験するステップと、
仕事に対する成果が上位ｎ％以下のネットワークは除去
し、上位ｎ％以上のネットワークに対してのみ遺伝アル
ゴリズム処理を行うステップとからなる技術が開示され
ている。
重空間において局所的な極小点に捕獲されるというバッ
クプロパゲーション法の問題を解決し、さらにグローバ
ルな最適極小点への収束を早め、進化の時間を短縮させ
ることを目的とし、ニューラルネットワークの遺伝子集
団を構成するステップと、遺伝子をニューラルネットワ
ークに変換するステップ（即ちシナプス結合荷重を設定
するステップ）と、各ネットワークを学習して所定の仕
事（タスク）をさせるステップ（この際１ネットワーク
の学習回数はランダムに選ばれる）と、各ネットワーク
に仕事をさせて各ネットワークを試験するステップと、
仕事に対する成果が上位ｎ％以下のネットワークは除去
し、上位ｎ％以上のネットワークに対してのみ遺伝アル
ゴリズム処理を行うステップとからなる技術が開示され
ている。
【０００６】
【発明が解決しようとする課題】しかしながら特開平４
−２８１５５０号公報では制約条件をスケジュール作成
の可否に長時間を要する上に、ＧＡの進化の途中で局所
解に陥ってしまうという問題点があった。
−２８１５５０号公報では制約条件をスケジュール作成
の可否に長時間を要する上に、ＧＡの進化の途中で局所
解に陥ってしまうという問題点があった。
【０００７】また特開平４−２８８６６２号公報ではニ
ューラルネットとＧＡという二つの最適解を求める手法
を用いるハイブリッドなシステムであるが故に演算回数
が２倍以上に増大し、最適解に到達するまでに長時間か
かるという問題点があった。
ューラルネットとＧＡという二つの最適解を求める手法
を用いるハイブリッドなシステムであるが故に演算回数
が２倍以上に増大し、最適解に到達するまでに長時間か
かるという問題点があった。
【０００８】本発明は上記従来技術の問題点に鑑み、Ｇ
Ａを適用する際の進化の途中で局所解に陥ってしまうこ
となく、短時間で最適解に到達し得るＧＡを用いた生産
スケジューリング作成方法を提供することを目的とす
る。
Ａを適用する際の進化の途中で局所解に陥ってしまうこ
となく、短時間で最適解に到達し得るＧＡを用いた生産
スケジューリング作成方法を提供することを目的とす
る。
【０００９】
【課題を解決するための手段】上記目的を達成するため
に本発明は、スケジュールの対象となる問題をオーダ数
を長さとする染色体と複数種類の遺伝子によってモデル
化しモデル化された問題に対する解となる個体を作成す
ることにより個体集団を生成するステップと、作成され
た各個体を評価するステップと、評価結果に基づいて個
体を選択するステップと、選択された個体間で交差を行
うステップと、前記交差時の突然変異確率を変化させる
ステップとよりなる。
に本発明は、スケジュールの対象となる問題をオーダ数
を長さとする染色体と複数種類の遺伝子によってモデル
化しモデル化された問題に対する解となる個体を作成す
ることにより個体集団を生成するステップと、作成され
た各個体を評価するステップと、評価結果に基づいて個
体を選択するステップと、選択された個体間で交差を行
うステップと、前記交差時の突然変異確率を変化させる
ステップとよりなる。
【００１０】ここで、前記突然変異確率の変化は、オー
ダ数、機械台数及び個体数の関数で表わされる多様度を
変数とする関数として表現されるものである。
ダ数、機械台数及び個体数の関数で表わされる多様度を
変数とする関数として表現されるものである。
【００１１】
【作用】生産スケジュールの問題をモデル化し、個体を
作成する。第１世代の適切な個体が得られるとＧＡを実
行し、個体の評価、選択、交差等の各処理を行う。この
時、ＧＡの進化における突然変異の確率を扱われる個体
群の多様性によって変化させることにより、最適解の探
索性能が向上する。
作成する。第１世代の適切な個体が得られるとＧＡを実
行し、個体の評価、選択、交差等の各処理を行う。この
時、ＧＡの進化における突然変異の確率を扱われる個体
群の多様性によって変化させることにより、最適解の探
索性能が向上する。
【００１２】
（問題の概要）図１に基づいて生産スケジュールの問題
の概略を説明する。これは納期Ｌj(j=1,2,・・・,n)を持つ
ｎ種類のオーダＯj(j=1,2,・・・,n)を同じ機能で生産能力
の異なるｍ台の機械Ｍi(i=1,2,・・・,m)で並列に処理する
場合、納期後れが発生せずに総生産時間Ｃを最小にする
スケジューリングを行うという問題である。但し、オー
ダＯj は任意の機械Ｍi において所要時間Ｐijで処理さ
れるものとする。 （ＧＡの適用法）ＧＡを上記問題に適用するに当たり、
解の候補であるスケジュールを個体に、総生産時間を評
価値に、納期を制約条件に夫々対応させる。
の概略を説明する。これは納期Ｌj(j=1,2,・・・,n)を持つ
ｎ種類のオーダＯj(j=1,2,・・・,n)を同じ機能で生産能力
の異なるｍ台の機械Ｍi(i=1,2,・・・,m)で並列に処理する
場合、納期後れが発生せずに総生産時間Ｃを最小にする
スケジューリングを行うという問題である。但し、オー
ダＯj は任意の機械Ｍi において所要時間Ｐijで処理さ
れるものとする。 （ＧＡの適用法）ＧＡを上記問題に適用するに当たり、
解の候補であるスケジュールを個体に、総生産時間を評
価値に、納期を制約条件に夫々対応させる。
【００１３】まず、図２に示すように機械番号(1〜m)で
表わされる遺伝子をオーダ数（ｎ）個並べた一次元配列
の染色体で表現されるような制約条件を満たす個体を任
意数（ｐ）個作成して図３に示すように初期集団を形成
する。
表わされる遺伝子をオーダ数（ｎ）個並べた一次元配列
の染色体で表現されるような制約条件を満たす個体を任
意数（ｐ）個作成して図３に示すように初期集団を形成
する。
【００１４】その後、評価値に応じて選択された個体が
交差、突然変異を繰り返すことにより世代を進行させ、
全体の評価値を高めていく。以上の処理を個体群の評価
値が収束するか、処理打ち切り世代に至るまで繰り返し
た結果、得られた最良の評価値を示す個体を同定された
スケジュールとする。
交差、突然変異を繰り返すことにより世代を進行させ、
全体の評価値を高めていく。以上の処理を個体群の評価
値が収束するか、処理打ち切り世代に至るまで繰り返し
た結果、得られた最良の評価値を示す個体を同定された
スケジュールとする。
【００１５】ここでは一つの個体が図４に示すような一
つのスケジューリング結果に対応しているものとする。
尚、初期集団形成時、及び交差による個体生成時におい
て、納期遅れをチェックし、制約条件を満たした個体の
生成を行っていることは言うまでもない。 （多様性に基づく突然変異）ここでＧＡにおける個体群
の多様性について考える。突然変異の施行は個体群の多
様性を維持するのに効果があり、また突然変異確率は、
進化の途上において従来の方法では固定されているのが
一般的である。
つのスケジューリング結果に対応しているものとする。
尚、初期集団形成時、及び交差による個体生成時におい
て、納期遅れをチェックし、制約条件を満たした個体の
生成を行っていることは言うまでもない。 （多様性に基づく突然変異）ここでＧＡにおける個体群
の多様性について考える。突然変異の施行は個体群の多
様性を維持するのに効果があり、また突然変異確率は、
進化の途上において従来の方法では固定されているのが
一般的である。
【００１６】この突然変異確率は図５の摸式図に示され
るように当該確率が小さいと局所解へ収束する可能性が
高くなり、逆に大き過ぎるとランダムサーチ化するとい
う関係を有する。
るように当該確率が小さいと局所解へ収束する可能性が
高くなり、逆に大き過ぎるとランダムサーチ化するとい
う関係を有する。
【００１７】また個体の多様性が高くなるにつれ解の最
適度が向上し、逆に低いと局所解に陥り易くなるという
関係を有する。但し、多様性が高過ぎると安定した解の
探索が行えなくなる。
適度が向上し、逆に低いと局所解に陥り易くなるという
関係を有する。但し、多様性が高過ぎると安定した解の
探索が行えなくなる。
【００１８】従って適度な突然変異確率は効率的な探索
解の向上をもたらすといえ、この確率は個体の多様性か
ら導き出すことが可能となる。 （計算例）上記突然変異確率に個体の多様性を考慮した
動的変化を付けたＧＡを適用した一計算事例の結果を比
較例と共に図６に示す。
解の向上をもたらすといえ、この確率は個体の多様性か
ら導き出すことが可能となる。 （計算例）上記突然変異確率に個体の多様性を考慮した
動的変化を付けたＧＡを適用した一計算事例の結果を比
較例と共に図６に示す。
【００１９】実験条件は、オーダ数２０、個体数４０、
機械台数４とし、交差は一様交差とした。そして比較例
として突然変異を行わないもの、突然変異確率を固定の
値（０．０５または０．１５）にしたものの３つを挙げ
た。
機械台数４とし、交差は一様交差とした。そして比較例
として突然変異を行わないもの、突然変異確率を固定の
値（０．０５または０．１５）にしたものの３つを挙げ
た。
【００２０】同図よりどの世代においても突然変異確率
に動的変化をつけたものが最も総生産時間の少ない個体
に収束していることが伺えることから、上記手法が良好
な結果を導き出していることが判る。
に動的変化をつけたものが最も総生産時間の少ない個体
に収束していることが伺えることから、上記手法が良好
な結果を導き出していることが判る。
【００２１】このように突然変異確率に個体の多様性に
基づく変動を与えることによりＧＡを適用した生産スケ
ジューリング作成に関して局所解に陥ることを演算量を
大して増大させることなく行えることが示された。 （多様度の具体例）以下個体の遺伝子分布状況から算出
した多様度を用いて、突然変異確率の増減を行う手法を
提案する。
基づく変動を与えることによりＧＡを適用した生産スケ
ジューリング作成に関して局所解に陥ることを演算量を
大して増大させることなく行えることが示された。 （多様度の具体例）以下個体の遺伝子分布状況から算出
した多様度を用いて、突然変異確率の増減を行う手法を
提案する。
【００２２】多様度の算出方法は以下の通りとする。ま
ず数１によって個体の各遺伝子座における多様度ｆを算
出する。
ず数１によって個体の各遺伝子座における多様度ｆを算
出する。
【００２３】
【数１】
【００２４】図７に多様度の算出テーブルの一例を示
す。同図において数１による例えばオーダ１の遺伝子座
（列方向）における多様度ｆは２５である。尚個体数が
ｐの場合、ｆの取り得る値の範囲はｐ／ｍからｐまでと
なる。
す。同図において数１による例えばオーダ１の遺伝子座
（列方向）における多様度ｆは２５である。尚個体数が
ｐの場合、ｆの取り得る値の範囲はｐ／ｍからｐまでと
なる。
【００２５】この多様度ｆの算出方法は一例であり、オ
ーダ数、機械台数、個体数を変数とする所定の関数によ
って定めても良い。次に各遺伝子座の多様度ｆから集団
の多様度Ｆを数２により算出する。
ーダ数、機械台数、個体数を変数とする所定の関数によ
って定めても良い。次に各遺伝子座の多様度ｆから集団
の多様度Ｆを数２により算出する。
【００２６】
【数２】
【００２７】そして個体数ｐの場合、求められたＦがｐ
／ｍに近いほど多様性が高いと考えることとする。こう
して算出されたＦの値（度数Ｄ）に基づき図８に示すル
ールによって突然変異確率の予め決められた値に対する
変動割合を決定する。このルールはこの例に限らず、前
記多様度ｆを変数とする所定の関数によって定めても良
い。
／ｍに近いほど多様性が高いと考えることとする。こう
して算出されたＦの値（度数Ｄ）に基づき図８に示すル
ールによって突然変異確率の予め決められた値に対する
変動割合を決定する。このルールはこの例に限らず、前
記多様度ｆを変数とする所定の関数によって定めても良
い。
【００２８】ＧＡの適用時には世代毎に上記の手法に基
づく多様度を指標とした突然変異確率の変動を行って集
団の進化の度合いに対して最適な突然変異を行う。これ
は一律で突然変異を設定した場合は、個体の多様性を無
視してしまうため、効率的な解の探索が行えないとの理
由による。
づく多様度を指標とした突然変異確率の変動を行って集
団の進化の度合いに対して最適な突然変異を行う。これ
は一律で突然変異を設定した場合は、個体の多様性を無
視してしまうため、効率的な解の探索が行えないとの理
由による。
【００２９】図９は世代の進行に伴う多様度の変化と突
然変異確率の関係を示す図であり、突然変異確率が一律
で低い場合には多様度が低く、突然変異確率が一律で高
い場合には多様度が高く、多様度を指標（パラメータ）
として突然変異確率を変動させた場合には、それらの中
間の適度の多様度が得られることを実験的に示したもの
である。
然変異確率の関係を示す図であり、突然変異確率が一律
で低い場合には多様度が低く、突然変異確率が一律で高
い場合には多様度が高く、多様度を指標（パラメータ）
として突然変異確率を変動させた場合には、それらの中
間の適度の多様度が得られることを実験的に示したもの
である。
【００３０】この図からさらに言えることは、突然変異
確率を変動させたものは他の２つの例に比較して、最も
早く、しかも適度な多様度に収束するということであ
る。図１０に一般的なＧＡの処理フローチャートを示
す。
確率を変動させたものは他の２つの例に比較して、最も
早く、しかも適度な多様度に収束するということであ
る。図１０に一般的なＧＡの処理フローチャートを示
す。
【００３１】
【発明の効果】本発明は以上のように構成した突然変異
確率が小さ過ぎる場合の局所解への収束を防ぐと共に、
大き過ぎる場合のランダムサーチ化を防ぎ、個体群の多
様性に伴って突然変異確率を動的に変化させることによ
り短時間で最適解を導出することが可能となる。
確率が小さ過ぎる場合の局所解への収束を防ぐと共に、
大き過ぎる場合のランダムサーチ化を防ぎ、個体群の多
様性に伴って突然変異確率を動的に変化させることによ
り短時間で最適解を導出することが可能となる。
【図１】生産スケジュール問題例の概要を説明する概念
図である。
図である。
【図２】個体の構成例を示す図である。
【図３】集団の構成例を示す図である。
【図４】解となるスケジュールの例を示す図である。
【図５】多様性と突然変異確率との関係を説明する図で
ある。
ある。
【図６】本発明と比較例との実験結果を示す図である。
【図７】多様度の算出例であるテーブルを示す図であ
る。
る。
【図８】多様度による突然変異確率の変動率を導く一例
を示す図である。
を示す図である。
【図９】多様度と突然変異確率の値との関係を示す図で
ある。
ある。
【図１０】一般的なＧＡの処理フローチャートを示す図
である。
である。
Claims (2)
- 【請求項１】 スケジュールの対象となる問題をオーダ
数を長さとする染色体と複数種類の遺伝子によってモデ
ル化し該モデル化された問題に対する解となる個体を作
成することにより個体集団を生成するステップと、作成
された各個体を評価するステップと、評価結果に基づい
て個体を選択するステップと、選択された個体間で交差
を行うステップと、前記交差時の突然変異確率を変化さ
せるステップとよりなる生産スケジュール作成方法。 - 【請求項２】 前記突然変異確率はオーダ数、機械台数
及び個体数の関数で表わされる多様度に応じて変化する
ことを特徴とする上記請求項１記載の生産スケジュール
作成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3875995A JPH08235254A (ja) | 1995-02-27 | 1995-02-27 | 生産スケジュール作成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3875995A JPH08235254A (ja) | 1995-02-27 | 1995-02-27 | 生産スケジュール作成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08235254A true JPH08235254A (ja) | 1996-09-13 |
Family
ID=12534219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3875995A Pending JPH08235254A (ja) | 1995-02-27 | 1995-02-27 | 生産スケジュール作成方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08235254A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007518144A (ja) * | 2003-08-27 | 2007-07-05 | アイコシステム コーポレーション | 多人数参加型で対話式の進化論的計算手法優先権主張 |
-
1995
- 1995-02-27 JP JP3875995A patent/JPH08235254A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007518144A (ja) * | 2003-08-27 | 2007-07-05 | アイコシステム コーポレーション | 多人数参加型で対話式の進化論的計算手法優先権主張 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Banzhaf | The “molecular” traveling salesman | |
| US7593905B2 (en) | Method of combinatorial multimodal optimisation | |
| US20070005522A1 (en) | Resource assignment optimization using direct encoding and genetic algorithms | |
| Behjat et al. | Total completion time minimisation of no-wait flowshop group scheduling problem with sequence dependent setup times | |
| Muruganandam et al. | A memetic algorithm approach to the cell formation problem | |
| JPH09114797A (ja) | 最適解探索方法及び装置 | |
| Zandieh et al. | Robust metaheuristics for group scheduling with sequence-dependent setup times in hybrid flexible flow shops | |
| Hendizadeh et al. | Bi-criteria scheduling of a flowshop manufacturing cell with sequence dependent setup times | |
| CN106709572B (zh) | 一种数据处理方法及设备 | |
| JPH08235254A (ja) | 生産スケジュール作成方法 | |
| CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
| Chu et al. | Semantics based substituting technique for reducing code bloat in genetic programming | |
| KR102102517B1 (ko) | 최적화 계산 장치 및 방법 | |
| JP7440395B2 (ja) | 最適解探索装置及び最適解探索プログラム | |
| Tayeb et al. | Towards an artificial immune system for scheduling jobs and preventive maintenance operations in flowshop problems | |
| Borgulya | A parallel hyper-heuristic approach for the two-dimensional rectangular strip-packing problem | |
| Norozi et al. | Application of intelligence based genetic algorithm for job sequencing problem on parallel mixed-model assembly line | |
| JPH08129586A (ja) | スケジュール作成方法 | |
| Rezaeipanah et al. | Meta-heuristic approach based on genetic and greedy algorithms to solve flexible job-shop scheduling problem | |
| Kazakovtsev et al. | A genetic algorithm with greedy crossover and elitism for capacity planning | |
| Ramteke et al. | Multi-objective genetic algorithm and simulated annealing with the jumping gene adaptations | |
| TWI802064B (zh) | 為工作站篩選派工規則的電子裝置和方法 | |
| Asadi-Gangraj | METAHEURISTIC ALGORITHMS FOR FLEXIBLE FLOW SHOP SCHEDULING PROBLEM WITH UNRELATED PARALLELMACHINES. | |
| Tanimizu et al. | Co-evolutionary genetic algorithms for reactive scheduling | |
| Lee et al. | COMPARATIVE STUDY OF MACHINE CELL FORMATION ALGORITHMS FOR NON-BINARY MATRICES |