Anotace Annotation

More documents

Recommendations

Info

Strana 42 DIPLOMOVÁ PRÁCE ÚAI FSI VUT Radek Lošťák ⌢ C ⌢ ( 2, , 1, , ) 2 2, , min { 1, , , 2, , } min{ 1, } 1, j = + C j iB j i + Dj K j X i − C j i B j i B j i K j X i + K ′ j X i ⌢ ⌢ + C B X ′ 2, j, i 2, j, i i ⌢ ⌢ ⌢ ⌢ ⌢ ′ ′ Pro i ∈ b ⌢ ( j) je ⌢ ⌢ C ⌢ h ( X ′, K ) = + D K X ′ + 1, j j i j j j i K j X ′ i ⌢ ⌢ ⌢ ⌢ ⌢ + C B X + B K X − B B X K X = ⌢ C j ( i j ( ′ ′ 2 min { , } min { ′, ′}) 2, i, j 1, i, j i 2, i, j j i 1, i, j 2, i, j i j i ⌢ ( 2, , 2, , ) 2 2, , min { 1, , , 2, , } min{ 1, } 1, j = + C i jB i j + Dj K j Xi − C i j B i j B i j K j Xi + K j X ′ i ⌢ ⌢ + C B X ′ 2, i, j 1, i, j i ⌢ Funkci h X ′, K ) pak lze vyjádřit ve tvaru kde i = a ~ ( j ) ; pro i ∈ ( j) a pro i ∈ ( j) Platí, že ⌢ ⌢ ⌢ ⌢ ⌢ ′ ′ ⌢ ⌢ C h ( X ′, K ) = + α K X ′ + α − α min K ,1 X ′ + β X ′ ( ) { } 1, j (1) (2) (1) (2) j i j j j i j j j i j i K j X ′ i a ⌢ ⌢ ⌢ ⌢ (1) α j = C2, j, iB1, j, i + Dj (2) α 2, , ( 1, , 2min { 1, , , 2, , }) ⌢ ⌢ ⌢ ⌢ (1) β j = C2, j, i ( B2, j, i − 2 min { B1, j, i, B2, j, i} ) β ⌢ ⌢ ⌢ ⌢ ⌢ = C B − B B + D j j i j i j i j i j ⌢ = C ⌢ B (2) j 2, j, i 2, j, i b ⌢ ⌢ ⌢ ⌢ (1) α j = C2, i, jB2, i, j + Dj (2) α 2, , ( 2, , 2min { 1, , , 2, , }) ⌢ ⌢ ⌢ ⌢ (1) β j = C2, i, j ( B1, i, j − 2min { B1, i, j , B2, i, j} ) β ⌢ ⌢ ⌢ ⌢ ⌢ = C B − B B + D j i j i j i j i j j ⌢ = C ⌢ B (2) j 2, i, j 1, i, j . C ⌢ 0 , 1, j ≥ HM1 a HM2. (1) (2) j α j α ≥ a (1) j (1) j (2) j (2) j α + β = α + β , proto je možno použít metody
ÚAI FSI VUT DIPLOMOVÁ PRÁCE Radek Lošťák Strana 43 4 Stochastické heuristické metody Teprve s rozmachem počítačů byly vyvinuty a jsou rozvíjeny heuristické metody pro řešení složitých optimalizačních problémů. Heuristické metody sice nezaručují nalezení globálně optimálního řešení, ale jsou schopny v přiměřené době poskytnout řešení, jenž je uspokojivé. Heuristické optimalizační metody se používají pro optimalizaci mnohaparametrových funkcí s divokým průběhem, tj. s mnoha extrémy nebo neznámým gradientem. Takovými funkcemi je i většina účelových funkcí problémů rozvrhování výroby. Standardní gradientové metody (např. nejprudšího spádu, sdružených gradientů, proměnné metriky) nebo negradientové metody (např. simplexová) nejsou vhodnými přístupy, protože je požadováno nalezení globálního extrému funkce s mnoha lokálními extrémy. Tyto metody obvykle konvergují jen k extrému blízko startovního bodu a tento extrém už nejsou schopné opustit. Tento nedostatek lze odstranit jejich randomizací tak, že se opakovaně spustí z různého počátečního řešení a za výsledné optimum se vezme nejlepší výsledek. Stochastičnost tohoto postupu spočívá pouze v náhodném výběru počátečního řešení, ale následovně použitý optimalizační algoritmus je striktně deterministický. Tato práce se dále bude soustředit pouze na tzv. stochastické heuristické optimalizační metody, které si svoji stochastičnost zachovávají v celém průběhu optimalizačního procesu a ne jen ve výběru počátečního řešení. Programová implementace heuristických metod je poměrně jednoduchá. Stochastické heuristické optimalizační metody však mají i své zásadní výhody: jsou velmi obecně formulované a tedy aplikovatelné na širokou množinu problémů a mají schopnost se dostat z lokálního extrému. Proces prohledávání prostoru potenciálních řešení vyžaduje rovnováhu dvou cílů: 1. co nejrychleji najít nejbližší (většinou lokální) optimum v okolí výchozího bodu, 2. co nejlépe prohledat prostor všech řešení. Tato práce si klade za úkol zabývat se stochastickou heuristickou metodou simulované žíhání pro řešení optimalizace časově invariantních výrobních dávek vícestupňových procesů ve výrobním systému se síťovou strukturou. Tato metoda bude i popsána v následující podkapitolách spolu s metodou genetický algoritmus.
Page 1 and 2: ÚAI FSI VUT DIPLOMOVÁ PRÁCE Rade
Page 35 and 36: problém: ÚAI FSI VUT DIPLOMOVÁ P
Page 37: ÚAI FSI VUT DIPLOMOVÁ PRÁCE Rade
Page 69: ÚAI FSI VUT DIPLOMOVÁ PRÁCE Rade

Anotace Annotation

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?