Целью исследования является исключение сходимости генетического алгоритма в локальном экстремуме при поиске оптимального производственного расписания. Отмечается, что в проведенных ранее исследованиях последовательное применение моделей эволюции Ламарка и де Фриза дало положительный результат, но привело к увеличению объема вычислений. Незначительные изменения популяции, вызываемые оператором мутации, не смогли гарантированно избежать определения локального оптимального производственного расписания. С другой стороны, гипотеза о теории глобальных катаклизмов показала свою эффективность. На основании этого предложено ввести нечеткий оператор редукции, который предназначен для устранения выявленных неудачных решений в популяции. Определены нечеткие лингвистические переменные, терм-множества и их функции принадлежности. Заданы правила, определяющие нечеткое значение величины редукции и вероятности ее применения. Описана UML-диаграмма деятельности нечеткой операции редукции и программная реализация нечеткого контроллера для управления параметрами генетического алгоритма. Проведен вычислительный эксперимент, в результате которого установлено, что во всех случаях поиска было определено глобальное оптимальное производственное расписание. Ключевым результатом, полученным при использовании нечеткой операции редукции, является выход алгоритма из локального оптимума, который мог определяться в течение нескольких эпох.
The aim of the study is to exclude the convergence of the genetic algorithm in the local extreme when searching for the optimal production schedule. It is noted that in previous studies, the consistent application of the Lamarck and de Vries evolution models gave a positive result but led to an increase in the amount of calculations. Minor population changes caused by the mutation operator could not be guaranteed to avoid determining the local optimal production schedule. On the other hand, the hypothesis of the theory of global cataclysms has shown its effectiveness. Based on this, it is proposed to introduce a fuzzy reduction operator, which is designed to eliminate the identified unsuccessful solutions in the population. Fuzzy linguistic variables, term sets and their membership functions are defined. The rules defining the fuzzy value of the reduction value, and the probability of its application are set. A UML diagram of the activity of a fuzzy reduction operation and a software implementation of a fuzzy controller for controlling the parameters of a genetic algorithm are described. A computational experiment was carried out, as a result of which it was established that in all cases of search, the global optimal production schedule was determined. The key result obtained by using the fuzzy reduction operation is the algorithm’s output from the local optimum, which could be determined over several epochs.
1. Сергеев А.И., Воронин Д.Н. Обзор систем составления производственных расписаний // Компьютерная интеграция производства и ИПИ-технологии: материалы XI Всероссийской конференции. Оренбург: ОГУ, 2023. С. 317–322.
2. Podvalny S.L., Chizhov M.I., Gusev P.Y., Gusev K.Y. The Crossover Operator of a Genetic Algorithm as Applied to the Task of a Production Planning // Procedia Computer Science 150. 2019. P. 603–608.
3. Борисовский П.А. Решение некоторых задач маршрутизации и составления производственных расписаний с помощью генетического алгоритма // Анализ, Моделирование, Управление, Развитие социально-экономических систем (АМУР-2019). XIII Всероссийская с международным участием школа-симпозиум: сб. науч. тр. 2019. С. 56–60.
4. Rizvi N., Ramesh D., Wang L., Basava A. A Workflow Scheduling Approach With Modified Fuzzy Adaptive Genetic Algorithm in IaaS Clouds // IEEE Transactions on Services Computing. 2023. Vol. 16, Is. 2. P. 872–885.
5. Сергеев А.И., Воронин Д.Н., Проскурин Д.А., Булатов А.А. Модифицированный генетический алгоритм определения оптимального производственного расписания // Информационные технологии в проектировании и производстве. 2024. № 2 (194). С. 43–49.
6. Данильченко В.И. Методы и алгоритмы многомерного биоинспирированного поиска при размещении компонентов СБИС: дис. ... канд. техн. наук: 05.13.06. Таганрог: Южный федеральный университет, 2023. 164 с.
7. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / Под ред. В.М. Курейчика. 2-е изд., испр. и доп. М.: ФИЗМАТЛИТ, 2010. 368 с.
8. Протодьяконов А.В., Фомин А.Н., Швец С.Е., Марьенков Е.В. Влияние параметров генетического алгоритма на результаты решения задачи коммивояжера // Вестник Кузбасского государственного технического университета. 2009. № 4 (74). С. 105–111.
9. Yong L., Kwong-Sak L. Genetic Algorithm with adaptive elitist-population strategies for multimodal function optimization // Applied Soft Computing. 2011. № 11. P. 2017–2034.
10. Курейчик В.В., Курейчик В.М., Григораш А.С. Программный комплекс решения задачи кластеризации // Программные продукты и системы. 2017. № 2. С. 261–269.
11. Гладков Л.А., Гладкова Н.В., Громов С.А. Гибридный алгоритм решения задач оперативного планирования производственного процесса // Известия ЮФУ. Технические науки. 2017. № 9 (194). С. 112–123.
12. Kacem I., Hammadi S., Borne P. Pareto-optimality approach for flexible job-shop scheduling problems: hybridization of evolutionary algorithms and fuzzy logic // Mathematics and Computers in Simulation. 2002. № 60 (3). P. 245–276.
13. Alavidoosta M.H., Tarimoradia M., Fazel Zarandi M.H. Fuzzy adaptive genetic algorithm for multi-objective assembly line balancing problems // Applied Soft Computing. 2015. № 34. P. 655–677.
14. Курейчик В.М., Каплунов Т.Г. Адаптивный генетический алгоритм на основе нечетких правил // Известия ЮФУ. Технические науки. 2018. № 5 (199). С. 26–34.
15. Plerou A., Vlamou E., Papadopoulos V. Fuzzy Genetic Algorithms: Fuzzy Logic Controllers and Genetics Algorithms // Global journal for research analysis. 2016. Vol. 5, Is. 11. P. 497–500.