کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
385161 660861 2015 11 صفحه PDF 28 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
A multi-agent optimization algorithm for resource constrained project scheduling problem
ترجمه فارسی عنوان
یک الگوریتم بهینه‌سازی چندعامله برای مسئله‌ی زمانبندی پروژه‌ی منبع محدود
کلمات کلیدی
برنامه ریزی پروژه محدود شده است، مسئله، سیستم عامل چندگانه، الگوریتم بهینه سازی
فهرست مطالب مقاله
چکیده

کلید واژه ها

1. مقدمه

2. مسئله‌ی زمانبندی پروژه‌ی منبع محدود

شکل  SEQ شکل \* ARABIC 1. یک مثال از یک پروژه   

شکل  SEQ شکل \* ARABIC 2. یک زمانبندی امکان پذیر

3. الگوریتم بهینه‌سازی چندعامله

3.1. عامل سیستم چند عامله

شکل  SEQ شکل \* ARABIC 3. یک دیدگاه انتزاعی از یک عامل

شکل  SEQ شکل \* ARABIC 4. سازماندهی سلسله مراتبی

شکل  SEQ شکل \* ARABIC 5. سازماندهی هولونیک

شکل  SEQ شکل \* ARABIC 6.  سازماندهی اتحادی

شکل  SEQ شکل \* ARABIC 7. سازماندهی گروهی

3.2. الگوریتم بهینه‌سازی چندعامله (MAOA)

3.2.1. محیط و اصلاح (تعدیل) آن

شکل  SEQ شکل \* ARABIC 8. سازماندهی رهبر-گروه

شکل  SEQ شکل \* ARABIC 9. رفتار اجتماعی عمومی عامل‌ها

3.2.2. رفتار اجتماعی، رفتار مستقل و خود یادگیری

شکل  SEQ شکل \* ARABIC 10. رفتار اجتماعی محلی عامل‌ها

3.2.3. MAOA

شکل  SEQ شکل \* ARABIC 11. فلوچارت MAOA

4. MAOA برای RCPSP

4.1. رمزگذاری و مقداردهی اولیه به محیط 

4.2. رفتار اجتماعی

شکل  SEQ شکل \* ARABIC 12. یک مثال از MBCO

شکل  SEQ شکل \* ARABIC 13. رویه‌‌ی رفتار اجتماعی

4.3. رفتار مستقل

4.4 خودیادگیری

شکل  SEQ شکل \* ARABIC 14. یک مرحله از FBI

4.5. اصلاح محیط

شکل  SEQ شکل \* ARABIC 15. رویه اصلاح محیط

5. نتایج آزمایشی

5.1. تنظیم پارامترها

جدول  SEQ جدول \* ARABIC 1. ترکیب مقادیر پارامترها

شکل  SEQ شکل \* ARABIC 16. روند سطح فاکتور MAOA برای J30

شکل  SEQ شکل \* ARABIC 17. روند سطح فاکتور MAOA برای J30

جدول  SEQ جدول \* ARABIC 2. جدول متعامد و مقدار پاسخ داده شده برای MAOA

5.2. نتایج MAOA

جدول  SEQ جدول \* ARABIC 4. نتایج برای MAOA

5.3. مقایسات MAOA با الگوریتم‌های موجود

جدول  SEQ جدول \* ARABIC 5. میانگین انحراف برای J30 بر حسب درصد

جدول  SEQ جدول \* ARABIC 6. میانگین انحراف برای J30 بر حسب درصد

جدول  SEQ جدول \* ARABIC 7. میانگین انحراف برای J30 بر حسب درصد

6. نتیجه‌گیری

 
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی


• Develop a multi-agent optimization algorithm (MAOA).
• Present the implement of MAOA for resource constrained project scheduling problem.
• Investigate the effect of parameter setting.
• Demonstrate the effectiveness by comparing to the existing algorithms.

In this paper, a multi-agent optimization algorithm (MAOA) is proposed for solving the resource-constrained 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.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issues 15–16, September 2015, Pages 6039–6049
نویسندگان
, ,