Resumen

El problema de programación de taller (JSP) es uno de los problemas de optimización más difíciles en la industria manufacturera, y el problema de programación de taller flexible (FJSP) es una extensión del JSP clásico, lo que desafía aún más el rendimiento del algoritmo. En FJSP, se debe seleccionar una máquina para cada proceso de un conjunto dado, lo que introduce otro elemento de decisión dentro del camino del trabajo, haciendo que FJSP sea más difícil que el JSP tradicional. En este artículo, se propone una variante del algoritmo de optimización de saltamontes (GOA) llamada GOA asistido por aprendizaje opuesto dinámico (DOLGOA) para resolver FJSP. La estrategia de aprendizaje opuesto dinámico (DOL) adopta el espacio de búsqueda asimétrico para mejorar la capacidad de explotación del algoritmo y aumentar la posibilidad de encontrar el óptimo global. Se utilizan diversos benchmarks populares de CEC 2014 y FJSP para evaluar el rendimiento de DOLGOA

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Problema de programación de tiempos de trabajo; Industria manufacturera; Problema de programación flexible de tiempos de trabajo; Rendimiento del algoritmo; Algoritmo de optimización de saltamontes; Aprendizaje opuesto dinámico
• Keywords:Job shop scheduling problem; Manufacturing industry; Flexible job shop scheduling problem; Algorithm performance; Grasshopper optimization algorithm; Dynamic opposite learning