Scheduling manufacturing operations is a complicated decision making process. From the computational point of view, the scheduling problem is one of the most notoriously intractable NP-hard optimization problems. When the manufacturing system is not too large, the traditional methods for solving scheduling problem proposed in the literature are able to obtain the optimal solution within reasonable time. But its implementation would not be easy with conventional information systems. Therefore, many researchers have proposed methods with genetic algorithms to support scheduling in the manufacturing system. The genetic algorithm belongs to the category of artificial intelligence. It is a very effective algorithm to search for optimal or near-optimal solutions for an optimization problem. This paper contains a survey of recent developments in building genetic algorithms for the advanced scheduling. In addition, the author proposes a new approach to the distributed scheduling in industrial clusters which uses a modified genetic algorithm. (original abstract)
W pracy tej przedstawiono nowy system szeregowania DAG w rozproszonych systemach pamięci. To dwu etapowe podejście należy do zmodyfikowanego szeregowania heurystycznego, w którym bierze się pod uwagę topologię procesora i czas komunikatu.
EN
A new DAG scheduling for distributed memory systems has been introduced in this paper. This two-pass approach belongs to modified list scheduling heuristic in which processors topology and communication time are considered. Experimental comparison results which proposed and known algorithms showed promising potential of our approach. (original abstract)
Przedstawiono automatyczne algorytmy optymalizacji architektury sieci neuronowych. W pierwszej części sformułowano problem doboru architektury optymalnej sieci. Następnie przedstawiono teoretyczne aspekty rozważanego problemu. Dalej zaprezentowano wyniki empirycznego doboru architektury sieci w wybranych programach. (oryg. streszcz.)
EN
In this paper the automatic algorithm for optimizing the architecture of artificial neural network is presented. The first part includes the formulation of the selection of optimal architecture of neural network optimization. In the next part the theoretical aspects of the discussed problem. In the concluding point of this article the results of the empirical selection of network architecture in set the selected programs are discussed. (original abstract)
W artykule zajmujemy się problemem kojarzenia ze sobą członków dwóch rozłącznych grup (grupy te składają się z osób lub instytucji) przy założeniu, że członkowie każdej grupy mają określone preferencje w stosunku do członków drugiej grupy. (...) Chcielibyśmy w "optymalny" sposób "skojarzyć" kandydatów ze szkołami, tzn. każdemu kandydatowi przypisać szkołę, w której mógłby się uczyć w taki sposób, żeby była ona możliwie najlepsza z jego punktu widzenia, a jednocześnie, żeby zbiór kandydatów, którzy znajdą się w danej szkole był możliwie "najlepszy" z punktu widzenia tej szkoły. (...) Układ pracy jest następujący: najpierw opisujemy klasyczny model Gale'a-Shapley'a, dalej wprowadzamy pojęcie funkcji przyjęć i funkcji odrzuceń, następnie podajemy warunki, które powinny spełniać odpowiednie funkcje P, aby istniało rozwiązanie optymalne dla uogólnionego modelu Gale'a-Shapley'a, w końcu pokazujemy, że uogólniony algorytm Gale'a-Shapley'a wyznacza rozwiązania optymalne w przypadku stosowania przez szkoły "miękkich" limitów. (fragment tekstu)
The literature provides numerous examples of either rich or multi-criteria Vehicle Routing Problems (VRPs). Practitioners claim, however, that real-life problems need effective methods for VRPs which are both rich and multiobjective. In the paper we investigate whether such problems can be efficiently handled by standard metaheuristics - genetic algorithms. The answer is affirmative. Additionally, the analysis conducted supports the thesis that it is purposeful to adjust components of metaheuristics so that they take advantage of the multiobjective nature of the problems they solve. (original abstract)
W artykule omówiono podstawowe pojęcia klasycznego algorytmu genetycznego. Algorytmy genetyczne są procedurami opartymi na mechanizmach dziedziczności i doboru naturalnego. Są wykorzystywane jako algorytmy przeszukujące, optymalizujące i uczące się. Algorytm genetyczny poszukuje coraz lepszych rozwiązań, generując kolejne ich pokolenia. Proces tworzenia pierwszego pokolenia odbywa się najczęściej losowo. Każde rozwiązanie jest oceniane pod kątem jego "dopasowania". Następnie tworzy się nowa populacja przez wybór najlepiej dopasowanych osobników. Niektórzy osobnicy ulegają zmianom za pomocą procesów krzyżowania i mutacji.
EN
Genetic algorithms (or GA) are basically algorithms based on natural biological evolution. The architecture of systems that implement genetic algorithms (or GA) are more able to adapt to a wide range of problems. A GA functions by generating a large set of possible solutions to a given problem. However, an initial population is created from a random selection of solutions. Then, a GA evaluates each of those solutions, and decides on a "fitness level" for each solution set. These solutions then breed new solutions. The parent solutions that were more "fit" are more likely to reproduce, while those that were less "fit" are more unlikely to do so. Solutions are evolved over time. Genetic algorithms can be incredibly efficient if programmed correctly. (J.W.)
W pracy przedstawiono metodę optymalizacji dostępu do danych w obiektowych bazach danych na przykładzie optymalizacji rozmieszczenia obiektów w pamięci zewnętrznej z wykorzystaniem algorytmu genetycznego. Opracowano obiektową realizację algorytmu genetycznego oraz funkcję oceny efektywności poszczególnych osobników. Wyniki pracy mogą posłużyć jako narzędzie usprawniające działanie obiektowych baz danych w środowisku systemów CAD/CAM, a także systemów z bazami wiedzy. (abstrakt oryginalny)
Niniejszy artykuł przedstawia koncepcje wyszukiwania podobieństw pomiędzy dwoma szeregami czasowymi wykorzystującą algorytm genetyczny. Opisana jest budowa chromosomu oraz znaczenie poszczególnych genów. Zaproponowane są również dwie funkcje podobieństwa, które mogą być użyte jako funkcje przystosowania. (abstrakt oryginalny)
EN
This article introduces idea to discover similarity between two series of time with using genetic algorithm. The article describes how a chromosome is building and what means every gen. This article to propose also function of fitness. (original abstract)
An optimization methodology based on neural networks and genetic algorithms was developed and used to optimize a real world process - an electro-coagulation process involving three pollutants at different concentrations: kaolin (250–1000 mg L−1), Eriochrome Black T solutions (50–200 mg L−1), and oil/water emulsion (1500–4500 mg L−1). Feed-forward neural networks using heterogeneous combination of transfer functions were developed, leading to good results in the validation stage (relative error about 8%). The parameters of the process (concentration of pollutant, time, pH0, conductivity and current density) were optimized handling the genetic algorithm parameters, in order to obtain a maximum removal efficiency for each pollutant. Therefore, the optimization methodology combines neural networks as modeling tools with genetic algorithms as solving method. Validation of the optimization results using supplementary experimental data reveals errors under 11%. [...]
14
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Celem niniejszego opracowania jest przybliżenie Kwadratowego Problemu Przydziału, narzędzi Sztucznej Inteligencji - Algorytmów Genetycznych oraz ukazanie ich zastosowania w obszarze logistyki. W pierwszej części przeprowadzono analizę literaturową na temat zagadnienia QAP oraz Algorytmów Genetycznych, natomiast w podsumowaniu ukazano ich zastosowanie. (abstrakt oryginalny)
EN
The aim of this paper is to present the Quadratic Assignment Problem and tools of Artificial Intelligence - Genetic Algorithms and demonstrate their application in the area of logistics. In the first part the authors analyzed the literature on the issue of QAP and Genetic Algorithms. Whereas in summary they showed the application of these tools. (original abstract)
W referacie autorka proponuje innowacyjną metodę planowania i harmonogramowania w klastrze przemysłowym nazwaną APRMC (zaawansowane zarządzanie produkcją w klastrze). Podejście zostało zaimplementowane jako kombinacja systemu eksperckiego i algorytmu genetycznego. Pierwszy rozwiązywany jest problem planowania, a następnie harmonogramowania z uwzględnieniem ograniczeń rozwiązania. Badania adaptują algorytm genetyczny rozwijany przez A. Ławrynowicz. (abstrakt oryginalny)
EN
In this paper, the author proposes an innovative method for planning and scheduling in industrial cluster called APRMC (Advanced Production Management in Cluster). The approach is implemented as a combination of expert system and genetic algorithm. The production planning problem is first solved, and then the scheduling problem is considered with the constraint of the solution. This research adopts the genetic algorithm developed by A. Ławrynowicz. (original abstract)
Algorytmy genetyczne nadają się szczególnie dobrze do skomplikowanych zagadnień tam, gdzie tradycyjne metody optymalizacji zawodzą. Ich istotną cechą jest to, że zachowują całą populację potencjalnych rozwiązań, podczas gdy inne metody analizują w danej chwili tylko jeden punkt przestrzeni rozwiązań. Pozwala to z jednej strony na unikanie ekstremów lokalnych funkcji celu i przyspieszenie poszukiwania suboptymalnych rozwiązań, z drugiej zaś na łatwość realizacji algorytmu na komputerowych architekturach równoległych, co daje im dodatkową przewagę nad tradycyjnymi algorytmami. Należy jednak zwrócić uwagę, że tak jak przy każdym narzędziu, użycie algorytmu genetycznego wymaga dobrej znajomości zasad posługiwania się nim oraz rozsądnego sformułowania problemu i oczekiwań. Brak staranności bowiem może tutaj doprowadzić do osiągnięcia pozornie dobrych rozwiązań, które w rezultacie mogą się okazać zupełnie nieprzydatne (należy więc stosować testowanie rozwiązań na danych testujących). Prawidłowo zastosowane algorytmy genetyczne mogą jednak stanowić niezwykle efektywne narzędzie w rozwiązywaniu wielu złożonych problemów. (fragment tekstu)
Wstęp: Kwadratowy Problem Przydziału (QAP) jest jednym z najciekawszych zagadnień optymalizacji kombinatorycznej. Został przedstawiony przez Koopmana i Beckamanna w roku 1957, jako matematyczny model lokalizacji niepodzielnych zadań. Problem ten należy do klasy zagadnień NP.-trudnych. Wymusza to stosowanie do jego rozwiązania metod przybliżonych już dla zadań o niewielkim rozmiarze (powyżej 30). Mimo że jest ono znacznie trudniejsze niż inne zagadnienia optymalizacji kombinatorycznej, to cieszy się powszechnym zainteresowaniem, ponieważ modeluje ważną klasę problemów decyzyjnych. Metody: Dyskusji poddano narzędzia sztucznej inteligencji, które pozwoliły rozwiązać problem QAP, między innymi są to: algorytmy genetyczne, Tabu Search, Branch and Bound Wyniki i wnioski: Sam problem bezpośrednio nie powstał jako model pewnych działań, jednak znalazł on swoje zastosowanie w wielu dziedzinach. Przykładowymi zastosowaniami problemu jest: rozmieszczenie budynków na kampusie uczelnianym, projektowanie rozmieszczenia elementów elektronicznych w układach o wielkiej skali integracji (VLSI), projekt szpitala, rozmieszczenie klawiszy na klawiaturze. Słowa kluczowe: QAP, problem kwadratowego przydziału, algorytm podziału i ograniczeń, algorytmy genetyczne, symulowane wyżarzanie, algorytm Tabu Search. (abstrakt oryginalny)
EN
Background: Quadratic assignment problem (QAP) is one of the most interesting of combinatorial optimization. Was presented by Koopman and Beckamanna in 1957, as a mathematical model of the location of indivisible tasks. This problem belongs to the class NP-hard issues. This forces the application to the solution already approximate methods for tasks with a small size (over 30). Even though it is much harder than other combinatorial optimization problems, it enjoys wide interest because it models the important class of decision problems. Material and methods: The discussion was an artificial intelligence tool that allowed to solve the problem QAP, among others are: genetic algorithms, Tabu Search, Branch and Bound. Results and conclusions: QAP did not arise directly as a model for certain actions, but he found its application in many areas. Examples of applications of the problem is: arrangement of buildings on the campus of the university, layout design of electronic components in systems with large scale integration (VLSI), design a hospital, arrangement of keys on the keyboard. (original abstract)
20
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
SSI mogą być stosowane samodzielnie, a także we współpracy z innymi podejściami. Celem artykułu jest przedstawienie możliwości SSI w rozwiązaniach hybrydowych, określenie w jakiej roli są szczególnie przydatne oraz wskazanie kierunków badań nad udziałem SSI w budowie systemów hybrydowych, które wydają się szczególnie obiecujące. Zostanie omówiona specyfika SSI, podstawowe grupy rozwiązań hybrydowych oraz przykłady wykorzystania SSI w rozwiązaniach hybrydowych. (fragment tekstu)
EN
The aim of this article is to show possibilities of artificial immune systems (AIS) in hybrid approaches, to determine the role in which AIS are particularly useful and to indicate directions of research on the contribution of AIS in building hybrid systems which seem to be especially promising. AIS specificity will be discussed, as well as the basic groups of hybrid approaches and examples of using AIS in hybrid approaches. (original abstract)
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.