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.