کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4959739 1445958 2017 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hybrid optimization methods for time-dependent sequencing problems
ترجمه فارسی عنوان
روش های بهینه سازی ترکیبی برای مشکلات توالی وابسته به زمان
کلمات کلیدی
محدودیت برنامه ریزی، ترتیب دهی، نمودارهای تصمیم گیری، محدود کردن افزودنی،
ترجمه چکیده
در این مقاله روشهای بهینه سازی جدیدی را برای توالیابی مشکلات معرفی می کنیم که در آن زمان راه اندازی بین یک جفت وظیفه بستگی به موقعیت نسبی وظایف در سفارش دارد. روش های پیشنهادی ما به یک رویکرد ترکیبی مبتنی است که در آن یک مدل برنامه ریزی محدودیت با دو آرامش متمایز تقویت می شود: یک آرامشی گسسته بر اساس نمودار های تصمیم گیری چند متغیر و یک آرامش مداوم بر اساس برنامه ریزی خطی. هر دو آرامشی برای تولید محدوده ها و افزایش انتشار محدودیت استفاده می شود. آزمایشات انجام شده در سه نوع از مسائل مربوط به فروشندگان وابسته به زمان نشان می دهد که تکنیک های ما به طور قابل ملاحظه ای از روش های عمومی هدف، از جمله برنامه ریزی خطی مختلط عددی و مدل های برنامه ریزی محدود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
In this paper, we introduce novel optimization methods for sequencing problems in which the setup times between a pair of tasks depend on the relative position of the tasks in the ordering. Our proposed methods rely on a hybrid approach where a constraint programming model is enhanced with two distinct relaxations: One discrete relaxation based on multivalued decision diagrams, and one continuous relaxation based on linear programming. Both relaxations are used to generate bounds and enhance constraint propagation. Experiments conducted on three variants of the time-dependent traveling salesman problem indicate that our techniques substantially outperform general-purpose methods, such as mixed-integer linear programming and constraint programming models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Operational Research - Volume 259, Issue 3, 16 June 2017, Pages 887-897
نویسندگان
, , ,