Flowhop Scheduling mit parallelen Genetischen Algorithmen

Inhaltsverzeichnis

• 1 Motivation.
• 2 Flowshop Scheduling.
• 2.1 Das deterministische Job Scheduling Modell.
• 2.2 Optimierung von Flowshop Problemen.
• 3 Genetische Algorithmen.
• 3.1 Einführung.
• 3.2 Ein Exkurs in Genetik oder das biologische Vorbild.
• 3.3 Modellierung evolutionärer Strategien.
• 3.4 Parallelisierung Genetischer Algorithmen.
• 4 PGA — ein verteilt-asynchrones Optimierungsverfahren.
• 4.1 Die PGA Komponenten — eine Funktionsbeschreibung.
• 4.2 Terminierungskriterien.
• 4.3 PGA Netzwerkimplementation.
• 5 Genetische Problemrepräsentation.
• 5.1 Binäre Kodierung des TSP.
• 5.2 Kanonische Lösungs-Kodierung.
• 5.3 Das kanonische Schema.
• 6 Problemabhängige PGA Komponenten.
• 6.1 Das Crossing-Over.
• 6.2 Explizite Mutationen.
• 6.3 Lokale Optimierung.
• 7 Problemunspezifische PGA Komponenten.
• 7.1 Überlappende Populationen.
• 7.2 Verteilte Selektion.
• 7.3 Balancierung der Selektion in überlappenden Populationen.
• 8 Konfigurationsraum-Analysen.
• 8.1 Travelling Salesman Problem.
• 8.2 Flowshop Probleme.
• 8.3 Interpretation konfigurierender Merkmale.
• 9 Ergebnisse.
• 9.1 Experimentelle Flowshop Plattform.
• 9.2 Leistungsverhalten der PGA Heuristik.
• 9.3 PGA Leistungsvergleich mit Standardheuristiken.
• 10 Zusammenfassung und Ausblick.
• A Anhang.
• A.1 Dokumentation der Testprobleme und besten Lösungen.
• A.2 Konfigurationsdiagramme aller Testprobleme.
• A.3 Funktionale Beschreibung der Optimierungsziele.
• A.3.3 Übersicht von Optimierungszielen der Ablaufplanung.
• Literatur.