The no-wait flow shop scheduling problem with sequence-dependent setup times: a comprehensive review and an application of the ALNS algorithm
Notice bibliographique
Résumé
One of the most important decisions in any manufacturing company is how to schedule the operations on the available machines. In several industries, the nature of the job imposes certain constraints to operations scheduling. In a no-wait flow shop, once a job starts on the first machine, it has to continue being processed on the next ones, without any interruptions. As an extension of the flow shop scheduling, the no-wait version is also very difficult to be solved to optimality within a reasonable time, and many heuristics have been proposed for this problem. This work aims to classify existing solution algorithms proposed to solve the no-wait flow shop scheduling problem with setup times and some of its variants. We show how combining a heuristic to generate a good initial solution, local search procedures, insertion and swapping of job positions and techniques developed originally to solve transportation problems are among the popular and efficient techniques for the problem at hand. We also propose a new solution method based on the well-known Adaptive Large Neighborhood Search (ALNS) algorithm from transportation science. The use of this algorithm aims to minimize the total flow time as a performance measure. As this is a problem with high complexity, to achieve high solution quality in a reasonable time, an acceleration method was also adapted and applied into local search procedures with swapping operations. The results of the new method were compared to the best results in the literature for widespread instances, validating the quality of the method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».