Convergence Analysis of Genetic Algorithms on Dynamic Production Scheduling

Die Arbeit analysiert das Konvergenzverhalten des Open-Ended Relevant Alleles Preserving Genetic Algorithm (OERAPGA) in der dynamischen Produktionsplanung. In einer dynamischen Produktionsumgebung beeinflussen häufige Änderungen des Planungsproblems das Konvergenzverhalten des angewendeten genetischen Algorithmus. Diese Studie untersucht die Auswirkungen zweier Arten von Änderungen auf den Optimierungsprozess: das Entfernen der ersten Aufgabe in der aktuellen Lösung aus dem Problem und das zufällige Entfernen eines Materials zusammen mit den Untermaterialien aus dem Problem. Die Auswirkungen der Änderungen werden für verschiedene Intervalle getestet, die die Aktualisierungsfrequenz des Optimierungsproblems beeinflussen. Die Forschungsergebnisse zeigen, dass häufige und substanzielle Änderungen die Konvergenzrate erheblich reduzieren und die Konvergenz möglicherweise stoppen können. Bei weniger aggressiven Änderungen zeigten sich gemischte Ergebnisse hinsichtlich der Konvergenzrate, aber die Optimierungsqualität wurde negativ beeinflusst, wenn Aktualisierungsinformationen zurückgehalten wurden. Letztendlich wird festgestellt, dass häufige Aktualisierungen die besten Optimierungsergebnisse liefern, selbst wenn der Optimierer nicht konvergiert. Dies ist kontraintuitiv im Vergleich zur statischen Optimierung.