ESTUDO DA PERFORMANCE DA PESQUISA TABU APLICADA AO ...

Estes experimentos visam analisar a ação conjunta de Regras de despacho e critérios de geração de
vizinhanças. Foram realizados simulações utilizando 90 partes já classificadas em FPs.
As regras de despacho foram utilizadas como soluções iniciais para a pesquisa Tabu. Cada uma
destas regras foi experimentada com ambos os critérios de geração de vizinhanças já descritos.
Foram realizados também experimentos onde, durante a execução do Algoritmo de Escalonamento
ocorreram trocas de critérios de geração de vizinhanças. O Algoritmo de Escalonamento inicia com
o critério de trocas. Dado que nenhuma outra solução melhor é encontrada em um número de
iterações equivalente a 25% do nbmax, o critério é trocado para Inserção, e assim sucessivamente,
até o fim da execução.
Os resultados das simulações podem ser vistos na Tabela 1.
Solução
Inicial
Tabela 1. Comparação entre Critérios de geração de vizinhanças e Métodos de Soluções Inic iais
Média
Setups
Inicial
Critério Troca Critério Inserção Troca e Inserção
Média Média Média Média
Iterações Setups Iterações Setups
Média
Setups
Final
Média
Iterações
Final
Final
FAM 21,9 20,5 4,6 20,1 5,1 20,1 41,2
SIR 84 26,2 38,3 21,1 59,8 21,8 69,3
RMD 86,6 22,8 45,1 21 62,7 21,4 73,8
RFMS 20,5 20,1 0,6 20 1,4 21,1 4,1
PMLP 83,6 30,6 39,7 31,3 58 21,7 75,8
O uso das Regras de Despacho como soluções iniciais tem grande impacto na execução do
Algoritmo de Escalonamento. Enquant o regras como RMD e PMLP resultaram em um grande
número de iterações até encontrar um bom resultado, as regras que levam em conta o
compartilhamento de recursos (RFMS e FAM) resultam em um número baixíssimo de iterações até
o resultado mínimo encontrado.
A Técnica de Pesquisa Tabu, utilizando os critérios de geração de vizinhança, refina o trabalho feito
pelas regras de despacho melhorando a solução inicial. O critério de inserção consegue maior
redução em contrapartida de um número de iterações pouco maior.
A utilização de ambos os critérios alternadamente em uma execução prolonga a busca por resultados
melhores, de modo que aumenta a número de iterações do Algoritmo de Escalonamento. Para este
tipo de problema, esta abordagem não traz muitos benefícios, e mbora se note melhores resultados
que o critério de troca.