Key points are not available for this paper at this time.
توجد مشاكل جدولة تدفق هجين موزعة على نطاق واسع في المؤسسات الإنتاجية في التحكم بالانتاج والقرارات الفعلية، خاصة في إنتاج الفولاذ والألمنيوم. مع الأخذ في الاعتبار الوقت غير المؤكد للمعالجة في بيئة الإنتاج الفعلية، تُضاف قيود زمن المعالجة المتدهورة في بعض المشاكل. في هذه الورقة، يتم دراسة مشكلة جدولة تدفق هجين موزع مع تأثير التدهور (DHFSP-DE). تم تصميم إطار عمل للخوارزمية الميميتية متعددة المهام التطورية (MTMA) لمعالجة النموذج المقترح. في الطريقة المقترحة، يُستخدم التعلم الانتقالي التطوري للتواصل بين محللين مستقلين لـ DHFSP-DE. يمكن نقل المعرفة الضمنية لخطة الجدولة إلى محللين آخرين لتوجيه تطور المجموعة. تجمع الخوارزمية الميميتية بين استراتيجية التكثيف المحلي مع نموذج قائم على السكان. يمكن لهذه الاستراتيجيات التقاط المعرفة الضمنية لـ DHFSP-DE. تتناول هذه الورقة المحاولة الأولى للعمل على إطار التعلم متعدد المهام التطوري لمشاكل DHFSP-DE. تظهر النتائج التجريبية على الحالات المختلفة فعالية وكفاءة خوارزمية MTMA المقترحة. ملاحظة للممارسين — يتم نمذجة مشكلة جدولة تدفق هجين موزع مع تأثير التدهور (DHFSP-DE) بناءً على عملية إنتاج الألمنيوم. كما أن DHFSP-DE تستخدم على نطاق واسع في عملية الإنتاج في صناعات متنوعة. مع تباين زمن معالجة الوظيفة مع الوقت، تتحول مشكلة الجدولة المحددة إلى مشكلة جدولة مع تأثير التدهور. تجعل هذه التحويلات المشكلة أكثر تعقيدًا. المشاكل أكثر تعقيدًا من المشاكل الثابتة لأنها تتطلب بُعدًا حسابيًا أكبر للحساب التطوري، مما يؤدي إلى استخدام موارد الحوسبة. تم تصميم خوارزمية ميميتية متعددة المهام تطورية لحل DHFSP-DE بشكل تعاوني. يمكن نقل حلول المحلل إلى محللين آخرين من خلال رسم خرائط لـ DHFSP-DE. يمكن أن تؤثر الحلول المنقولة على عملية التطور. تم التحقق من كفاءة وفعالية MTMA المقترحة من خلال تجارب المقارنة. بالإضافة إلى ذلك، يمكن تطبيق إطار MTMA على مشاكل جدولة أخرى.
درس ليو وآخرون (مون،) هذا السؤال.