بهبود حافظه برای حل مسئله زمان بندی کار کارگاهی پویا

وقتی با یک جهان در حال تغییر مواجه می شوید، انسان ها نه تنها به آینده بلکه به گذشته هم توجه می کنند. توجه کردن به راه حل های مشابه، به ما در تصمیم گیری در آینده کمک می کند. زمانی که با وضعیتی روبرو می شویم که قبلا آن را تجربه کرده باشیم بهتر می توانیم با آن روبرو شویم. اگر در حل مسائل بهینه سازی با ماهیتی پویا در هنگام جستجو، از اطلاعات گذشته داخل بهینه سازی و یادگیری استفاده شود، می تواند به فرآیند جستجوی بهتر کمک کند. یکی از راه کارهای مناسب برای حفظ اطلاعات گذشته استفاده از یک حافظه است. در اکثر تحقیقات نشان داده شده است که به کارگیری یک حافظه استاندارد با الگوریتم های یادگیر تقلید از طبیعت می تواند برای حل مسائلی که ماهیتی پویا دارند مناسب باشد. حافظه استاندارد معمولا دارای نقطه ضعفی از جمله، ظرفیت محدود حافظه می باشد. در این مقاله جهت برطرف نمودن نقاط ضعف و محدودیت های حافظه استاندارد، یک نوع جدید از حافظه باعنوان، حافظه مبتنی بر کلاس بندی معرفی شده است. این حافظه با الگوریتم ژنتیک ترکیب شده تا برای حل مسائل زمان بندی کار کارگاهی پویا به کار رود. مسئله زمان بندی کار کارگاهی پویا یکی از پیچیده ترین حالات زمان بندی ماشین به شمار می رود. استفاده از حافظه مبتنی بر کلاس بندی، مسائل پویایی که ممکن است بر اساس تغییر محیط منسوخ شوند را توسعه می دهد. این حافظه یک لایه انتزاعی میان راه حل های عملی و مدخل های حافظه ایجاد می کند، به طوری که راه حل های قدیمی ذخیره شده در حافظه به راه حل های محیط جاری نگاشت شوند.