[论文解读] A Hybrid Bacterial Foraging Algorithm For Solving Job Shop Scheduling Problems

S. Narendhar, T. Amudha|arXiv (Cornell University)|Nov 21, 2012

Scheduling and Optimization Algorithms被引用 5

一句话总结

本文提出了一种混合细菌觅食优化（HBO）算法，将细菌觅食与蚁群优化相结合，以解决作业车间调度问题（JSSP）。通过结合蚁群优化的全局搜索能力与细菌觅食的局部精炼能力，该混合方法在基准JSSP实例上实现了更优的收敛性和解决方案质量，相较于标准细菌觅食优化算法，在解决方案最优性和计算效率方面表现更优。

ABSTRACT

Bio-Inspired computing is the subset of Nature-Inspired computing. Job Shop Scheduling Problem is categorized under popular scheduling problems. In this research work, Bacterial Foraging Optimization was hybridized with Ant Colony Optimization and a new technique Hybrid Bacterial Foraging Optimization for solving Job Shop Scheduling Problem was proposed. The optimal solutions obtained by proposed Hybrid Bacterial Foraging Optimization algorithms are much better when compared with the solutions obtained by Bacterial Foraging Optimization algorithm for well-known test problems of different sizes. From the implementation of this research work, it could be observed that the proposed Hybrid Bacterial Foraging Optimization was effective than Bacterial Foraging Optimization algorithm in solving Job Shop Scheduling Problems. Hybrid Bacterial Foraging Optimization is used to implement real world Job Shop Scheduling Problems.

研究动机与目标

• 解决传统作业车间调度问题（JSSP）的计算复杂性与次优解问题。
• 通过将细菌觅食优化（BFO）与蚁群优化（ACO）结合，提升其探索与开发能力，从而增强BFO的性能。
• 开发一种混合元启发式算法，使其在标准JSSP基准测试中实现更优的解决方案质量与更快的收敛速度。
• 在真实世界及知名JSSP测试实例上验证该混合算法的有效性。

提出的方法

• 该混合算法结合了细菌觅食的趋肤运动与繁殖机制，以及蚁群优化的基于信息素的路径选择机制。
• 细菌觅食用于局部搜索与解决方案精炼，而蚁群优化则通过信息素轨迹引导全局搜索。
• 算法采用一种混合的适应度评估机制，平衡探索（通过ACO实现）与开发（通过BFO实现）。
• 采用动态步长与趋肤运动策略，以提升收敛速度与解的多样性。
• 算法通过多阶段迭代过程实现：初始化、信息素更新、细菌移动与解决方案评估。
• 该混合方法采用ACO信息素值与BFO适应度的加权组合，以指导解决方案的生成。

实验结果

研究问题

• RQ1 将蚁群优化与细菌觅食相结合，是否能提升作业车间调度问题的解决方案质量？
• RQ2 与标准细菌觅食优化相比，该混合算法在收敛速度与解决方案最优性方面表现如何？
• RQ3 该混合方法在不同规模的JSSP基准实例上是否保持鲁棒性？
• RQ4 将基于信息素的搜索与细菌觅食动力学相结合，对解的多样性与局部搜索效率有何影响？

主要发现

• 所提出的混合细菌觅食优化（HBO）算法在知名JSSP基准实例上，相较于标准细菌觅食优化，获得了显著更优的最优解。
• 该混合方法在各种问题规模下均表现出更快的收敛速度与更优的解决方案质量，包括Taillard的基准实例。
• ACO的引入增强了全局搜索能力，降低了过早收敛至次优解的可能性。
• 在多次测试运行中，该算法在makespan（完工时间）与解决方案稳定性方面均表现出一致的性能提升。