To Increase The Performance Of Flow-shop Scheduling Problems Solving With Genetic Algorithms: A Parameters Optimization

Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2001Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2001Bu çalışmada, akış tipi çizelgeleme problemlerinin Genetik algoritma ile çözüm performansının artırılmasına yönelik olarak Genetik algoritmalarda kullanılan altı ayrı kontrol parametreleri test edilmiştir. Bu parametreler, başlangıç popülasyonu, üreme yöntemi, çaprazlama yöntemi, mutasyon yöntemi, çaprazlama ve mutasyon oranlarıdır. Akış tipi çizelgeleme problemlerinde; GA ile optimum veya optimuma yakın çözümlere daha düşük nesil sayılarında ulaşabilmek için, başlangıç popülasyonunun 40; iki makine için, “kısmı yapay seçim” üreme yönteminin, çok makine için, “akış zamanlı rulet çemberi” üreme yönteminin; çaprazlama yöntemi olarak, “sıralı çaprazlamanın”; çaprazlama oranının ,%60-%100 ve mutasyon oranının, %40-%70 arasında seçilmesinin uygun olacağı belirlenmiştir. Uygun bulunan bu parametreler iki farklı seviyede kullanılarak deney tasarımı yapılmıştır. Sonuçlar literatürdeki çalışmalar ile karşılaştırıldığında, parametre optimizasyonu ile akış tipi çizelgeleme problemlerinin optimum veya optimuma yakın çözümlerinin daha küçük nesil sayılarında ulaşılabileceği gözlenmiştir.In the thesis six control parameters of Genetic Algorithms for solving flow-shop scheduling problems were tested in different sized problems and the appropriate values for these parameters were suggested for obtaining optimal or near-optimal solutions. These parameters are initial population size, reproduction method, crossover operator, mutation operator, crossover rate and mutation rate. Results indicate that for the flow-shop scheduling problems 40 as initial population, partially artificial reproduction as reproduction operator for two machines and flow time rulet wheel reproduction as reproduction operator for multiple machines; order crossover as crossover operator, 60% - 100% as crossover rate and 40% - 70% as mutation rate give the best result in the genetic algorithms. For fine-tuning of these parameters a two-level experimental design is applied. When compared with the related literature, using the suggested parameters warrants to achieve the optimal or near-optimal solutions within less generations.DoktoraPh