Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

An adaptive parameter free particle swarm optimization algorithm for the permutation flowshop scheduling problem

Marinaki Magdalini, Marinakis Ioannis

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/23CBDAEC-3F99-416D-972E-198E84EFEB3D-
Αναγνωριστικόhttps://doi.org/10.1007/978-3-030-37599-7_15-
Αναγνωριστικόhttps://link.springer.com/chapter/10.1007/978-3-030-37599-7_15-
Γλώσσαen-
Μέγεθος12 pagesen
ΤίτλοςAn adaptive parameter free particle swarm optimization algorithm for the permutation flowshop scheduling problemen
ΔημιουργόςMarinaki Magdalinien
ΔημιουργόςΜαρινακη Μαγδαληνηel
ΔημιουργόςMarinakis Ioannisen
ΔημιουργόςΜαρινακης Ιωαννηςel
ΕκδότηςSpringer Natureen
ΠερίληψηThe finding of suitable values for all parameters of a Particle Swarm Optimization (PSO) algorithm is a crucial issue in the design of the algorithm. A trial and error procedure is the most common way to find the parameters but, also, a number of different procedures have been applied in the past. In this paper, an adaptive strategy is used where random values are assigned in the initialization of the algorithm and, then, during the iterations the parameters are optimized together and simultaneously with the optimization of the objective function of the problem. This approach is used for the solution of the Permutation Flowshop Scheduling Problem. The algorithm is tested in 120 benchmark instances and is compared with a number of algorithms from the literature.en
ΤύποςΠλήρης Δημοσίευση σε Συνέδριοel
ΤύποςConference Full Paperen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2020-10-26-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαParticle swarm optimizationen
Θεματική ΚατηγορίαPath relinkingen
Θεματική ΚατηγορίαPermutation flowshop scheduling problemen
Θεματική ΚατηγορίαVariable neighborhood searchen
Βιβλιογραφική ΑναφοράY. Marinakis and M. Marinaki, "An adaptive parameter free particle swarm optimization algorithm for the permutation flowshop scheduling problem," in Machine Learning, Optimization, and Data Science, vol. 11943, Lecture Notes in Computer Science, G. Nicosia, P. Pardalos, R. Umeton, G. Giuffrida, V. Sciacca, Eds., Cham, Switzerland: Springer Nature, 2019, pp. 168-179. doi: 10.1007/978-3-030-37599-7_15en

Υπηρεσίες

Στατιστικά