یک الگوریتم بهینه‌سازی چندعامله برای مسئله‌ی زمانبندی پروژه‌ی منبع محدود

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک الگوریتم بهینه‌سازی چندعامله برای مسئله‌ی زمانبندی پروژه‌ی منبع محدود

عنوان لاتین

A multi-agent optimization algorithm for resource constrained project scheduling problem

در این مقاله یک الگوریتم بهینه‌سازی چندعامله (MAOA) برای حل مسئله‌ی زمانبندی پروژه دارای منابع محدود (RCPSP) ارائه شده است. در MAOA، چندین عامل در یک محیط گروه‌بندی شده که هر عامل در آن یک راه‌حل ممکن است کار می‌کنند. سیر تکاملی عامل‌ها با استفاده از جهار عنصر اصلی در MAOA بدست می‌آید که شامل رفتار اجتماعی، رفتار مستقل ، خودیادگیری و تعدیل (تطبیق) محیط می‌باشد. رفتار اجتماعی شامل جهانی و محلی برای انجام اکتشاف است. از طریق رفتار اجتماعی جهانی، عامل رهبر در هر گروه توسط بهترین رهبر جهانی راهنمای و هدایت می‌شود. از طریق رفتار اجتماعی محلی، هر عامل توسط عامل رهبر گروه خودش راهنمایی می‌گردد. از طریق رفتار مستقل، هر عامل از همسایگی (مجاورت) خود بهره‌برداری می‌کند. از طریق خودیادگیری، بهترین عامل یک جستجوی تشدید شده را برای بهره‌بردای بیشتر در منطقه‌ی امیدبخش انجام می‌دهد. در ضمن، برخی عامل‌های بین گروه‌ها مهاجرت می‌کنند تا به منظور به اشتراک گذاری اطلاعات، محیط را به صورت پویا تعدیل نمایند. پیاده‌سازی MAOA برای حل RCPSP به صورت مفصل در ادامه آورده شده است و تاثیرات پارامترهای کلیدی MAOA بر اساس روش طراحی آزمایش تاگوچی مورد بررسی قرار گرفته است. نتایج آزمایش عددی با استفاده از سه مجموعه‌ از نمونه‌های الگوبرداری فراهم شده است. مقایسه با‌ الگوریتم‌های موجود نشان‌دهنده‌ی کارایی روش MAOA ارائه شده برای حل RCPSP است.

In this paper, a multi-agent optimization algorithm (MAOA) is proposed for solving the resourceconstrained project scheduling problem (RCPSP). In the MAOA, multiple agents work in a grouped environment where each agent represents a feasible solution. The evolution of agents is achieved by using four main elements in the MAOA, including social behavior, autonomous behavior, self-learning, and environment adjustment. The social behavior includes the global one and the local one for performing exploration. Through the global social behavior, the leader agent in every group is guided by the global best leader. Through the local social behavior, each agent is guided by its own leader agent. Through the autonomous behavior, each agent exploits its own neighborhood. Through the self-learning, the best agent performs an intensified search to further exploit the promising region. Meanwhile, some agents perform migration among groups to adjust the environment dynamically for information sharing. The implementation of the MAOA for solving the RCPSP is presented in detail, and the effect of key parameters of the MAOA is investigated based on the Taguchi method of design of experiment. Numerical testing results are provided by using three sets of benchmarking instances. The comparisons to the existing algorithms demonstrate the effectiveness of the proposed MAOA for solving the RCPSP.