Flowhop Scheduling mit parallelen Genetischen Algorithmen : Eine problemorientierte Analyse genetischer Suchstrategien

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.