Key points are not available for this paper at this time.
Ein Permutationsfluss-Shop-Planungsproblem (PFSP) wurde aufgrund seiner Bedeutung in realen Anwendungen seit langem untersucht. Diese Arbeit schlägt einen verbesserten künstlichen Bienenstock (ABC) Algorithmus mit Q-Learning vor, der QABC genannt wird, um das Problem zu lösen und die maximale Abschlusszeit (Makespan) zu minimieren. Zunächst wird die Nawaz–Enscore–Ham (NEH) Heuristik verwendet, um die Population von ABC zu initialisieren. Zweitens wird eine Reihe von problemspezifischen und wissensbasierten Nachbarschaftsstrukturen in der Arbeitsbienenphase entworfen. Q-Learning wird eingesetzt, um die besten Nachbarschaftsstrukturen vorzuziehen. Anschließend wird eine umfassende Suchstrategie vorgeschlagen, um die Qualität der Individuen in der Zuschauerbienenphase weiter zu verbessern. Darüber hinaus wird eine einfügebasierte Methode angewendet, um lokale Optima zu vermeiden. Schließlich wird QABC verwendet, um 151 bekannte Benchmarkinstanzen zu lösen. Die Leistung wird durch den Vergleich mit den neuesten Algorithmen verifiziert. Experimentelle und statistische Ergebnisse zeigen seine Überlegenheit gegenüber seinen Mitbewerbern bei der Lösung der betreffenden Probleme.
Li et al. (Wed,) untersuchten diese Frage.