FenixEdu™

Dissertação

{pt_PT=Multi-objective meta-heuristics applied to flexible job shop scheduling problems} {} EVALUATED

Detalhes: {pt=Com um tremendo aumento do poder computacional observado nas últimas duas décadas e as melhorias na recolha e análise de dados, as indústrias voltaram-se para a digitalização. Na Indústria 4.0, o escalonamento através de funções multi-objectivo é agora uma oportunidade de fornecer soluções que ponderam vários objectivos conflituosos e proporcionam uma tomada de decisão optimizada. Para resolver este problema, foi implementado um algoritmo de Colónia de Abelhas Artificiais Multi-Objectivo. O algoritmo proposto combina um método de codificação que apenas gera soluções viáveis com diferentes técnicas para gerar uma população inicial e para gerar novas soluções. Para medir a qualidade das soluções e o desempenho global do algoritmo, foram utilizadas duas métricas, o Hipervolume e a Distância Média Ideal. Para obter o conjunto ideal de parâmetros que maximiza o desempenho do algoritmo ABC, foi utilizado um algoritmo de optimização Bayesiano. Além disso, este algoritmo foi validado e o seu desempenho avaliado e testado para o Problema de Programação Flexível de Job Shop utilizando dois tipos diferentes de conjuntos de dados de referência, com um total de 15 instâncias avaliadas. A abordagem proposta mostra um bom desempenho, competitivo com o estado da arte., en=With a tremendous increase in computational power observed in the past two decades and the improvements in data collection and analysis, industries turned to digitalization. Within Industry 4.0, scheduling using multi-objective functions is now an opportunity to provide solutions that address several conflicting objectives and provide optimized decision-making. To address this problem a Multi-Objective Artificial Bee Colony algorithm was implemented. The proposed algorithm combines a coding method that only generates feasible solutions with different techniques to generate an initial population and to generate new solutions. To measure the quality of solutions and the overall performance of the algorithm, two metrics were used, the Hypervolume and the Mean Ideal Distance. To obtain the ideal set of parameters that maximizes the ABC algorithm performance, a Bayesian optimization algorithm was used. Moreover, this algorithm was validated and its performance evaluated and tested for the Flexible Job Shop Scheduling Problem using two different types of benchmark datasets, with a total of 15 instances evaluated. The proposed approach shows a good performance, similar to that of the state of the art.}
Keywords: {pt=Escalonamento de Produção Flexível, Multi-objetivo, en=Flexible Job Shop Scheduling, Multi-objective}

Discussão: janeiro 29, 2021, 16:0