Key points are not available for this paper at this time.
Résumé Un problème de planification de flux de permutation hétérogène distribué avec des temps de configuration dépendants de la séquence (DHPFSP‐SDST) est abordé, ce qui reflète bien les scénarios du monde réel dans les usines hétérogènes. L'objectif est de minimiser le temps de completion maximum (makespan) en assignant des travaux aux usines et en les séquençant au sein de chaque usine. Tout d'abord, un modèle mathématique pour décrire le DHPFSP‐SDST est établi. Ensuite, quatre méta-heuristiques, y compris les algorithmes génétiques, l'évolution différentielle, la colonie d'abeilles artificielles et les algorithmes gloutons itérés (IG) sont améliorées pour résoudre de manière optimale le problème concerné par rapport aux autres optimiseurs existants dans la littérature. L'heuristique Nawaz‐Enscore‐Ham (NEH) est employée pour générer une solution initiale. Puis, cinq opérateurs de recherche locale sont conçus en fonction des caractéristiques du problème pour améliorer la performance des algorithmes. Pour choisir de manière appropriée les opérateurs de recherche locale pendant les itérations, une stratégie basée sur l'apprentissage par renforcement est adoptée. Enfin, des expériences numériques intensives sont réalisées sur 72 instances en utilisant 5 optimiseurs. Les résultats d'optimisation obtenus et les comparaisons prouvent que l'algorithme IG amélioré associé à la stratégie de sélection de recherche locale basée sur l'apprentissage par renforcement montre une meilleure performance par rapport à ses pairs. L'algorithme proposé présente une efficacité supérieure pour la planification des problèmes concernés.
Liu et al. (ven,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: