Selective methodology of population dynamics for optimizing a multiobjective environment of job shop production
Archivos
Fecha
2015-03-18 15:16:40
Tipo
artículo original
Autores
Ruiz, Santiago
Castrillón, Omar Danilo
Sarache, William Ariel
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
This paper develops a methodology based on population genetics to improve the performance of two or more variables in job shop production systems. The methodology applies a genetic algorithm with special features in the individual selection when they pass from generation to generation. In comparison with the FIFO method, the proposed methodology showed better results in the variables makespan, idle time and energy cost. When compared with NSGA II, the methodology did not showed relevant differences in makespan and idle time; however better performance was obtained in energy cost and, especially, in the number of required iterations to get the optimal makespan.
El presente artículo desarrolla una metodología basada en genética poblacional que permite mejorar el desempeño de dos o más variables en un sistema de producción job shop. La metodología aplica un algoritmo genético con características especiales en la selección de individuos que pasan de generación en generación. Los resultados permitieron demostrar mejores desempeños de la metodología propuesta en las variables makespan, tiempo muerto y costo de energía al ser comparada con el método FIFO. Al comparar la metodología con el método NSGA II no se obtuvieron diferencias en las variables makespan y tiempo muerto; sin embargo, se obtuvo un mejor desempeño en el costo de la energía y, principalmente, mayor eficiencia en relación al número de iteraciones realizadas para obtener el makespan óptimo.
El presente artículo desarrolla una metodología basada en genética poblacional que permite mejorar el desempeño de dos o más variables en un sistema de producción job shop. La metodología aplica un algoritmo genético con características especiales en la selección de individuos que pasan de generación en generación. Los resultados permitieron demostrar mejores desempeños de la metodología propuesta en las variables makespan, tiempo muerto y costo de energía al ser comparada con el método FIFO. Al comparar la metodología con el método NSGA II no se obtuvieron diferencias en las variables makespan y tiempo muerto; sin embargo, se obtuvo un mejor desempeño en el costo de la energía y, principalmente, mayor eficiencia en relación al número de iteraciones realizadas para obtener el makespan óptimo.
Descripción
Palabras clave
algoritmo genético, job shop, multiobjetivo, subpoblaciones, recursos energéticos, makespan, dinámica de poblaciones