O PROBLEMA DE SCHEDULING EM JOB-SHOP

Slides:



Advertisements
Apresentações semelhantes
Antonio Dirceu Rabelo de Vasconcelos Filho
Advertisements

Unidade VII Algoritmos Genéticos
Parte II - Sistemas de Aprendizado: Overview Seminários 2007 – 2º Semestre Maíra Gatti.
Algoritmos Genéticos Teresa B. Ludermir.
Algoritmos Genéticos Seminário de MAC5758
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
Algoritmos Genéticos Problema das 8 Rainhas Algoritmo Genético
Optimization and Decision Support Techniques FUNDAMENTOS DE ALGORITMOS GENÉTICOS Pedro Miguel A. S. Melo FEUP – Fevereiro de 2008.
Fundamentos dos Algoritmos Genéticos Alex F. V. Machado.
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
Algoritmos Genéticos Alex F. V. Machado.
Métodos Heurísticos de Busca e Otimização
Computação Evolucionária
Reconhecimento de Padrões Computação Evolutiva
Algoritmos Genéticos Marcone Jamilson Freitas Souza
Reconhecimento de Padrões Algoritmos Genéticos
Busca Dispersa Scatter Search
Computação Evolutiva: Programação Genética
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Otimização de Funções Contínuas via Algoritmos Genéticos
Reconhecimento de Padrões Computação Evolutiva
Inteligência Artificial
Algoritmo Genético.
Algoritmos Genéticos Prof. Luis Otavio Alvares II/UFRGS
O PROBLEMA DE SCHEDULING EM JOB-SHOP
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Algoritmos Genéticos Rômulo Ferreira Douro.
Apresentação Introdução à Programação Genética Título :
Algoritmos Genéticos – Capítulo 11
Algoritmos Genéticos - Capítulo 10 Representação Numérica
Eduardo do Valle Simões Renato Tinós ICMC - USP
Métodos Populacionais
Problemas Numéricos com Representação por Números Reais
Material adaptado de Algoritmos Geneticos Material adaptado de
Algoritmos Culturais.
Métodos Populacionais
Sistemas Inteligentes
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Anne Magály de PaulaCanuto DIMAp/UFRN
Algoritmos Evolutivos Algoritmos Genéticos Introdução
Seleção de Atributos Ricardo Prudêncio.
Algoritmos Genéticos Ricardo Prudêncio.
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Inteligência Artificial
Programação Evolutiva e Lógica Fuzzy
Orientador: Dr. Marcos Marcelino Mazzucco
Busca Combinatorial e Métodos de Heurística
Provas Datas: – P1 : 18/09/2014 – P2: 18/11/2014 – Exame : 09/12/2014.
* Cadeias formadas por três símbolos: 0, 1, e * * O símbolo * (um curinga) significa 0 ou 1.
MAC Projeto Algoritmos Aproximados para o Problema do Corte Circular Restrito Rubens Altimari.
Resolução de Problemas de Busca
Artigo: Berth allocation planning in the public berth system by genetic algorithms Akio Imai, Etsuko Nishimura, Stratos Papadimitriou, Heurística.
Resolução de problemas por meio de busca
Computação Evolutiva : Um Novo Paradigma Para a Resolução de Problemas Complexos Aurora Pozo Pós-graduação em Informática, Pós-graduação em Métodos Numéricos.
Inteligência Artificial I
Optimização Os problemas de optimização têm como objetivo maximizar ou minimizar uma função definida sobre um certo domínio Optimizar (max ou min)
Projeto de um Algoritmo Genético Híbrido para Planejamento Operacional de Curto Prazo de Minerações a Céu Aberto Robert Fabricio Subtil.
Algoritmos Genéticos Ricardo Prudêncio.
Inteligência Artificial
Computação Evolutiva Nome dado ao estudo de algoritmos cuja inspiração é o processo de evolução natural das espécies. Origem: trabalho de um pesquisador.
Algoritmos Genéticos Uma visão geral do método Cláudio M. N. A. Pereira.
Taís Sineiro Herig Laboratório de Genômica e Expressão / UNICAMP
Apresentação do Projeto de Pesquisa da Disciplina de Resolução de Problemas 2 Algoritmos Genéticos aplicados à aproximação de funções.
Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos.
1 Otimização por Algoritmos Genéticos: Introdução Prof. Marco Aurélio C. Pacheco.
1 Problemas Numéricos com Representação por Números Reais Prof. Marco Aurélio C. Pacheco.
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 10 Algoritmos Genéticos Max Pereira.
Ant Colony Optimization Eraylson Galdino da Silva Universidade Federal de Pernambuco Centro de Informática Tópicos Avançados em Inteligência.
O Problema do Caixeiro Viajante Estéfane G. M. de Lacerda DCA/UFRN Maio/2008.
Aula 7 – Algoritmos Genéticos
Transcrição da apresentação:

O PROBLEMA DE SCHEDULING EM JOB-SHOP SOLUÇÃO POR APROXIMAÇÃO Alguns tipos de operadores de crossover Tópicos Especiais em Logística e Transportes Me. Rogério Malta Branco

Estrutura do trabalho 1. Introdução 1.2. O problema de job-shop scheduling 1.2.1. Representação por grafos disjuntivos 1.2.2. Construção de escalas 1.2.3. Representação binária 2. Técnicas para solucionar os JSSP 2.1. Soluções ótimas 2.2. Soluções aproximadas 2.2.1. Regras de despacho 2.2.2. Metaheurísticas 2.2.2.1. Algoritmos genéticos 2.2.2.2. Simulated annealing 2.2.2.3. Outros procedimentos de busca local e modelos híbridos 2.2.3. Outras soluções não ótimas 2.4. Conclusões 3. Algortimos genéticos 3.1 Conceitos básicos 3.2 Algoritmo genético simples 3.3 O procedimento de um algoritmo genetico simples 4 Um algoritmo genético simples no problema de scheduling de job-shop 4.1 Codificação genética de uma solução de schedule 4.2 Harmonização local 4.3 Harmonização Global 4.4 Forcing 4.5 Algoritmo genético simples para o Job-shop 4.6 Limitações para uma aproximação simples ......

Estrutura Introdução Representação Algortimo genético básico (fluxograma) Operador genético crossover Crossover OX Crossover PMX Crossover CX

Representação Genótipo = {0,1}L Fenótipo 10010001 10010010 010001001 Codificação (representação) 10010001 10010010 010001001 011101001 Decodificação (representação inversa) EIBEN & SMITH (2006)

Estrutura Introdução Representação Algortimo genético básico (fluxograma) Operador genético crossover Crossover OX Crossover PMX Crossover CX

Estrutura de um AG básico Gere uma população inicial Avalie a população Critérios de parada satisfeitos? Sim Liste os melhores indivíduos Não Selecione os pais Crossover Mutação Avalie a população Defina a população sobrevivente Geração de uma nova população SOUZA(2006)

Estrutura Introdução Representação Algortimo genético básico (fluxograma) Operador genético crossover Crossover OX Crossover PMX Crossover CX GOLDBARG & LUNA(2000)

Operador OX (PCV) Características Empregado em PCV Operador crossover de dois pontos de corte Cruzamento entre os pais geram dois filhos Filhos herdam a ordem de visita dos pais SOUZA(2006)

F1: (X, X, X, 1, 8, 5, X, X, X) F2: (X, X, X, 4, 5, 6, X, X, X) Operador OX (PCV) P1: (1, 2, 3, 4, 5, 6, 7, 8, 9) P2: (4, 3, 2, 1, 8, 5, 6, 7, 9) Os filhos herdam as sub-sequências entre os pontos de corte. F1: (X, X, X, 1, 8, 5, X, X, X) F2: (X, X, X, 4, 5, 6, X, X, X)

Operador OX (PCV) A partir do segundo ponto de corte de um dado pai, descreve-se a seqüência e posteriormente remove-se, desta, os vertices existentes entre os cortes do filho. P2: (4, 3, 2, 1, 8, 5, 6, 7, 9) ou seja (6, 7, 9, 4, 3, 2, 1, 8, 5) F2: (X, X, X, 4, 5, 6, X, X, X) e (6, 7, 9, 4, 3, 2, 1, 8, 5) 7 9 3 F2: (X, X, X, 4, 5, 6, X, X, X) = (2, 1, 8, 4, 5, 6, 7, 9, 3) 2 1 8 F2: (2, 1, 8, 4, 5, 6, 7, 9, 3)

Operador OX (PCV) De forma análoga, encontra-se também F1. P1: (1, 2, 3, 4, 5, 6, 7, 8, 9) ou seja (7, 8, 9, 1, 2, 3, 4, 5, 6) F1: (X, X, X, 1, 8, 5, X, X, X) e (7, 8, 9, 1, 2, 3, 4, 5, 6) 7 9 2 F1: (X, X, X, 1, 8, 5, X, X, X) = (3, 4, 6, 1, 8, 5, 7, 9, 2) 3 4 6 F1: (3, 4, 6, 1, 8, 5, 7, 9, 2)

Estrutura Introdução Representação Algortimo genético básico (fluxograma) Operador genético crossover Crossover OX Crossover PMX Crossover CX GOLDBARG & LUNA(2000)

Partially Mapped Crossover –PMX (PCV) Como no caso do operador OX, tembém tem-se que, dados P1 e P2: P1: (1, 2, 3, 4, 5, 6, 7, 8, 9) P2: (4, 3, 2, 1, 8, 5, 6, 7, 9) Os filhos herdam as sub-sequências entre os pontos de corte. F1: (X, X, X, 1, 8, 5, X, X, X) F2: (X, X, X, 4, 5, 6, X, X, X)

Partially Mapped Crossover –PMX (PCV) F1: (X, 2, 3, 1, 8, 5, 7, X, 9) F2: (X, 3, 2, 4, 5, 6, X, 7, 9) Os valores indicados por X são nós que já foram herdados do outro pai, logo não podem ser repetidos. Como solução, verifica-se o que existe nesta mesma posição, do outro pai doador (inicial). Se for possível, o valor também será herdado.

Partially Mapped Crossover –PMX (PCV) F1: (X, 2, 3, 1, 8, 5, 7, X, 9) F1: (4, 2, 3, 1, 8, 5, 7, X, 9) F1: (4, 2, 3, 1, 8, 5, 7, 6, 9) Como na posição 8 do doador P2 existe 7 e este já foi inserido do pai P1, não podendo ser re-inserido, verifica-se em P2, qual valor existe na posição referente a ele (7) do F1: o valor é 6. Sendo que este vértice não existe, é integrado ao cromossomo F1.

Partially Mapped Crossover –PMX (PCV) De forma análoga, encontra-se F2: P1: (1, 2, 3, 4, 5, 6, 7, 8, 9) P2: (4, 3, 2, 1, 8, 5, 6, 7, 9) F2: (X, 3, 2, 4, 5, 6, X, 7, 9) F2: (1, 3, 2, 4, 5, 6, X, 7, 9) F2: (1, 3, 2, 4, 5, 6, 8, 7, 9) Como na posição 8 do doador P1 existe 7 e este já foi inserido do pai P2, não podendo ser re-inserido, verifica-se em P1, qual valor existe na posição referente a ele (7) do F2: o valor é 8. Sendo que este vértice não existe, é integrado ao cromossomo F2.

Estrutura Introdução Representação Algortimo genético básico (fluxograma) Operador genético crossover Crossover OX Crossover PMX Crossover CX GOLDBARG & LUNA(2000)

Cycle crossover – CX (PCV) Preservar a posição absoluta das cidades nos cromossomos dos pais. Sejam P1 e P2, toma-se a primeira cidade de P1 e aloca-se na primeira de F1. P1: (1, 2, 3, 4, 5, 6, 7, 8, 9) P2: (4, 3, 2, 6, 8, 9, 1, 5, 7) F1: (1, X, X, X, X, X, X, X, X) F1: (1, X, X, 4, X, X, X, X, X) F1: (1, X, X, 4, X, 6, X, X, X) F1: (1, X, X, 4, X, 6, X, X, 9) F1: (1, X, X, 4, X, 6, 7, X, 9) Ao retornar para 1 fecha-se o ciclo. As outras posiçoes advém de P2, ficando: (1, 3, 2, 4, 8, 6, 7, 5, 9)

Referências GOLDBARG, M. C. e LUNA, H. P. L., Otimização Combinatória e Programação Linear: modelos e algoritmos, Rio de Janeiro: Editora Campus, 2000. GOLDBERG, D. Genetic algorithms in search, optimization and machine learning. Addison-Wesley, 1989. PITTMAN, J. , Apresentação: Genetic Algorithm for Variable Selection, Universidade Duke, http://www.niss.org/affiliates/proteomics200303/presentations20030306/04% 20Jennifer.ppt acessado em 19/10/2006. EIBEN, A.E. & SMITH, J.E., Apresentação: Introduction to Evolutionary Computing: Genetic Algorithms, http://www.cs.vu.nl/~jabekker/ec0607/slides/Lecture03-Chapter3-GeneticAlgorithms.ppt ,acessado em 19/10/2006.