Resumen

El problema de programación de talleres flexibles (FJSP) es un rompecabezas de dificultad NP que hereda las características del problema de programación de talleres (JSP). Este trabajo presenta un algoritmo genético de ordenación no dominante guiado por abejas II (BEG-NSGA-II) para FJSP multiobjetivo (MO-FJSP) con los objetivos de minimizar el tiempo máximo de finalización, la carga de trabajo de la máquina más cargada y la carga de trabajo total de todas las máquinas. Adopta un mecanismo de optimización en dos etapas durante el proceso de optimización. En la primera etapa, se utiliza primero el algoritmo NSGA-II con tiempos de iteración T para obtener la población inicial N, en la que se presenta un esquema de guía evolutiva de abejas para explotar ampliamente el espacio de soluciones. En la segunda etapa, se utiliza de nuevo el algoritmo NSGA-II con tiempos de iteración GEN para obtener las soluciones pareto-óptimas. Para mejorar la capacidad de búsqueda y evitar la convergencia prematura, en esta etapa se emplea un mecanismo de actualización. Más concretamente, su población consta de tres partes, y cada una de ellas cambia con los tiempos de iteración. Además, se realizan simulaciones numéricas basadas en algunas instancias de referencia publicadas. Finalmente, se muestra la eficacia del algoritmo BEG-NSGA-II propuesto comparando los resultados experimentales y los resultados de algunos algoritmos conocidos ya existentes.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:algoritmo ii, problema de programación de tiendas, tiempo de iteración, nsga, tiempo máximo de finalización, esquema de guía evolutiva, tiempo de iteración gen, algoritmo genético ii, instancia de referencia publicada, mecanismo de optimización por etapas
• Keywords:ii algorithm, shop scheduling problem, iteration time, nsga, maximal completion time, evolutionary guiding scheme, gen iteration time, genetic algorithm ii, published benchmark instance, stage optimization mechanism