Flowshop Scheduling mit parallelen genetischen Algorithmen

Inhaltsverzeichnis1 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.