Algoritmo genético simple para resolver el problema de programación de la tienda de trabajo (job shop scheduling).

• Autores: Miguel Jimenez Carrion
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 29, Nº. 5, 2018, págs. 299-314
• Idioma: español
• Títulos paralelos:
  • Simple Genetic Algorithm to solve the Job Shop Scheduling Problem.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Se ha implementado un algoritmo genético simple para resolver el Problema de Programación de la Tienda de Trabajo (Job Shop Scheduling Problem, JSSP). El diseño del cromosoma representa una solución factible y cumple con todas las restricciones. Se utilizó el mecanismo de selección por torneo, una reproducción del 95% basada en emparejamiento parcial con dos puntos de cruza, una estrategia mixta en la etapa de mutación combinando el método de intercambio y el método de inversión usando dos puntos aleatorios en cada máquina y un porcentaje de mutación progresivo entre 2% al 5%. Los resultados muestran que el algoritmo debe ejecutarse con 100 individuos como tamaño de población y 500 generaciones para problemas cuyos tiempos de operación están entre 0 y 10 unidades de tiempo y con 100 individuos y 1500 generaciones para problemas entre 0 y 100 unidades de tiempo. El estudio muestra que el algoritmo implementado encuentra soluciones óptimas en el primer caso y soluciones altamente competitivas en el segundo caso. Estas son comparables con los resultados publicados en la literatura que por lo general son respuestas a algoritmos híbridos repotenciados con otras metaheurísticas.

  • English

    A simple genetic algorithm has been implemented to solve the Job Shop Scheduling Problem (JSSP). The chromosome design represents a feasible solution and meets all restrictions. The selection mechanism per tournament was used, a 95% reproduction based on partial pairing with two crossing points, a mixed strategy in the mutation stage combining the method of exchange and the method of investment using two random points in each machine and a percentage of progressive mutation between 2% to 5%. The results show that the algorithm must be executed with 100 individuals as population size and 500 generations for problems whose operation times are between 0 and 10 units of time and with 100 individuals and 1500 generations for problems between 0 and 100 units of time. The study shows that the implemented algorithm finds optimal solutions in the first case and highly competitive solutions in the second case. These are comparable with the results published in the literature that are generally responses to hybrid algorithms re-energized with other metaheuristics.