دانلود ترجمه مقاله استفاده از الگوریتم ممتیک در حل مسائل زمان‌بندی پروژه

نتیجه‌گیری و سوگیری تحقیقات آتی:
به رغم تعداد قابل توجهی از رویکردهای حل RCPSP ها طی دهه‌ها، هیچ الگوریتم واحدی نمی‌تواند عملکرد دقیقی از نظر دقت و سرعت برای تمام انواع مجموعه داده‌های RCPSP ارائه کند. اغلب، این الگوریتم‌ها ساختارهای پیچیده‌ای دارند که اجرای آنها را دشوار می‌سازد. در نتیجه، در این مطالعه، الگوریتم MA مبتنی بر GA رقابتی و منحصر به فرد را در تلاش برای بهینه سازی بیشتر عملکرد مطرح ساختیم. رویکرد پیشنهادی، با ترکیبی از راه‌حل‌های کیفی ایجاد شده از دو قانون اولویت‌بندی شده و اکتشافی ساده و برخی راه حل‌های تصادفی شروع می‌شود که کاستی‌های قالب‌بندی تصادفی GA اصلی را از بین برده است. در طول فرآیند ارزیابی، جایگشت‌های مشابه تک نقطه‌ای ترکیبجایگشت‌های ساده‌تری از فعالیت‌‌ها را یافت که به عنوان جایگشت‌های سازنده راه حل‌های کیفی عمل می‌کند. این عملگر ترکیب عملکرد بهتری نسبت به نقطه واحد عملگر ترکیب منظم داشت. علاوه بر این، یک عملگر تغییر جهش، تنوع جمعیت را تضمین می‌کند و ساز و کار خودراه‌انداز به اندازه‌گیری تنوع جمعیت در هر تکرار پراخته و به صورت خودکار برای اجتناب از بهینه محلی به هنگام نیاز دوباره راه‌اندازی می‌شود. بنابراین، چنین ساز و کاری به MAدر اجتناب از محصور شدن در بهینه‌های محلی کمک می‌کند. علاوه بر این، جستجوی درج متغیر مجاور نیز برای تقویت عملکرد آتی معرفی شد که عملکرد بهتری را نشان می‌دهد که سهولت و سرعت آنها مدنظر قرار گرفته است. مهمتر اینکه، الگوریتم پیشنهادی ساده و اجرای آن آسان است و راه حل‌های رقابتی ارائه می‌کند.

Conclusion and future research directions:
Despite of significant number of approaches to solve RCPSPs over the decades, no single algorithm can offer sound performance in terms of accuracy and speed for all range of RCPSP datasets. Often, these algorithms have complex structures which makes their implementation difficult. As a result, in this study, we bring forward a unique and competitive GA-based MA algorithm in the quest for better optimization performance. This proposed approach initiates with a mix of quality solutions generated by two simple heuristics and some priority rules, and some random solutions, which eliminates the drawback of random initialization of the original GA. During the evaluation process a single-point similar block order crossover finds the simpler blocks of activities which act as the building blocks of quality solutions. This crossover operator has shown better performance than the traditional single point ordered crossover operator. Further, a shift mutation operation ensures population diversity and a self-restart mechanism measures population diversity at each iteration and restarts automatically to avoid local optima, when needed. Therefore, this mechanism helps MA to avoid entanglement in the local optima. Further, a variable insertion neighborhood search was introduced to further enhance performance, which show excellent performance, considering their simplicity and speed. More importantly, the proposed algorithm is simple and easy to implement, and generates competitive solutions.