XT^b

XT^T

XT¹

XT^a

XT^b

XT^T

شکل ۱۶-۴: عملگرتقاطع

۲-۴-۳-۸-۴: عملگرهای جهشی^[۱۳۸]

در این تحقیق برای ایجاد جهش در کروموزوم­های ایجاد شده، سه نوع جهش تعریف می­کنیم :

۱-۲-۴-۳-۸-۴: جهش یگانه ^[۱۳۹]

برای پیاده سازی این نوع جهش، عملیات یک قطعه­ای بطور تصادفی انتخاب می­ شود و عملگر جهش یک ماشین دیگری را که این عملیات را می ­تواند انجام دهد انتخاب می­ کند و جایگزین ماشین قبلی می­ کند.

۲-۲-۴-۳-۸-۴: جهش چند گانه^[۱۴۰]

این نوع جهش، جهش یگانه را روی تمام عملیات قطعه­ای که بطور تصادفی انتخاب می­ شود، انجام می­دهد.

۳-۲-۴-۳-۸-۴: جهش معکوس^[۱۴۱]

این نوع جهش توالی سلول­های عملیات قطعه­ای را که بطور تصادفی انتخاب شده است معکوس می­ کند.
برای انجام جهش یک عدد تصادفی بین ۱ و۳ تولید کرده و یکی از جهش­های فوق را انجام می دهیم.

۵-۳-۸-۴: نخبه­گرایی

با توجه روند توسعه داده شده برای الگوریتم ژنتیک، در هر نسل درصدی از بهترین کروموزموزم­ها به نسل بعد منتقل می کینم. بنابراین نخبه­گرایی این الگوریتم تضمین می­ شود.

۶-۳-۸-۴:استراتژی برخورد با محدودیت­ها^[۱۴۲]

بحث دیگری که در اجرای الگوریتم ژنتیک وجود دارد چگونگی برخورد با محدودیت‌های مساله می‌باشد زیرا عملگرهای ژنتیک مورد استفاده در الگوریتم باعث تولید کروموزوم‌های غیرموجه می‌شود. در این تحقیق از استراتژی اصلاحی استفاده شده که در این روش به جای اینکه کروموزوم غیرموجه حذف گردد تبدیل به یک کروموزوم موجه می‌شود. این عمل بعد از انجام ترکیب و جهش که در آن امکان ایجاد کروموزوم غیرموجه وجود دارد، استفاده می­ شود.

۷-۳-۸-۴:معیار توقف الگوریتم

با توجه به اینکه الگوریتم­های فوق ابتکاری هیچگونه شناختی نسبت به نقطه­ی بهینه سراسری و بطور کلی درجه بهینه­ بودن جواب­ها ندارند، معیاری برای توقف آنها مورد نیاز است. برای توقف الگوریتم از معیار حداکثر تعداد تکرار الگوریتم استفاده شده است.
الگوریتم پیشنهادی در این تحقیق با بهره گرفتن از زبان برنامه نویسی MATLAB کدنویسی شده و با بهره گرفتن از همین زبان نرم افزاری توسعه داده شده است. در جدول ۲۲-۴ برخی از جواب­های این الگوریتم­ها ارائه شده است که هر دو الگوریتم ارائه شده برای این مدل جواب­های نردیک به بهینه­ای را در زمان­های کمترنسبت به حل با بهره گرفتن از نرم­افزار LINGO ارائه داده­اند. همان­طور که در جدول ۲۳-۴ مقایسه بین جواب­های دو الگوریتم ارائه شده و بهترین جواب بدست آمده مشهود است، الگوریتم SA در مقایسه با الگوریتم GA جواب های بهتری را (البته در مدت زمانی بیشتر) گزارش نموده است و همانطور که مشاهده می­ شود برای مسائلی که نعداد قطعه در دوره بزرگتر از ۵ *۲۰ و تعداد ماشین­ها بیشتر از ۷ ، تعداد سلول ها بیشتر از ۵ و تعداد عملیات­ها بیشتر از ۴ باشد Lingo 9 قادر به حل و پیدا کردن جواب برای آن نخواهد بود .
جدول ۲۲-۴: جواب های بدست آمده با الگوریتم های پیشنهادی

GA

SA

Lingo

تعداد عملیات

تعداد سلول­ها

تعداد ماشین­ها

تعداد دوره ها*تعداد قطعات

مسائل

زمان حل

تابع هدف

زمان حل

تابع هدف

زمان حل