Operatory genetyczne + uczenie maszynowe = efektywne algorytmy ewolucyjne.

• Autorzy: Kominek P.

Warianty tytułu

EN

Genetic operators + machine learning = effective evolutionary algoriothm.

• Konferencja: XI Krajowa Konferencja Automatyzacji Dyskretnych Procesów Przemysłowych, Zakopane 24-27.09.1998r.
• Języki publikacji: PL

Abstrakty

PL

W pracy rozważany jest problem szeregowania zadań (RCPS) minimalizujący długość uszeregowania Cmax. Ze względu na dużą złożoność obliczeniową do jego rozwiązania proponuje się zastosowanie algorytmu genetycznego 'wzbogaconego wiedzą' (KAGA). W pracy przedstawione są nowe operatory genetyczne, jak: krzyżowanie i mutacja, uwzględniające sieć ograniczeń kolejnościowych. Ostatni rozdział zawiera porównanie działania GA i KAGA na podstawie eksperymentu obliczeniowego.

EN

The paper considers a resource-constraints project-scheduling problem (RCPS) of minimizing the makespan Cmax. Because of high computational complexity of the problem the use knowledge-augmented of genetic algorithm (KAGA) is proposed. The paper present new genetic operators as: crossover and mutation. The operators which take into account the precedence constraints. The last section includes compare the computationally experimented convergence of the standard genetic algorithm GA with KAGA.

Słowa kluczowe

PL

szeregowanie zadań; algorytmy genetyczne; algorytm genetyczny wzbogacony wiedzą; KAGA

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Automatyka / Politechnika Śląska
• Rocznik: 1998
• Tom: z. 125
• Strony: 165--175
• Opis fizyczny: Bibliogr.15 poz.

Twórcy

autor

Kominek P.

• Politechnika Poznańska