بهبود حافظه برای حل مسئله زمان‌بندی کار کارگاهی پویا

وقتی با یک جهان در حال تغییر مواجه می‌شوید، انسان‌ها نه‌تنها به آینده بلکه به گذشته هم توجه می‌کنند. توجه کردن به راه‌حل‌های مشابه، به ما در تصمیم‌گیری در آینده کمک می‌کند. زمانی‌که با وضعیتی روبرو می‌شویم که قبلاً آن را تجربه کرده باشیم بهتر می‌توانیم با آن روبرو شویم. اگر در حل مسائل بهینه‌سازی با ماهیتی پویا در هنگام جستجو، از اطلاعات گذشته داخل بهینه‌سازی و یادگیری استفاده شود، می‌تواند به فرآیند جستجوی بهتر کمک کند. یکی از راه‌کارهای مناسب برای حفظ اطلاعات گذشته استفاده از یک حافظه است. در اکثر تحقیقات نشان داده‌شده است که به‌کارگیری یک حافظه استاندارد با الگوریتم‌های یادگیر تقلید از طبیعت می‌تواند برای حل مسائلی که ماهیتی پویا دارند مناسب باشد. حافظه استاندارد معمولاً دارای نقطه ضعفی از جمله، ظرفیت محدود حافظه می‌باشد. در این مقاله جهت برطرف نمودن نقاط ضعف و محدودیت‌های حافظه استاندارد، یک نوع جدید از حافظه باعنوان، حافظه مبتنی بر کلاس‌بندی معرفی شده است. این حافظه با الگوریتم ژنتیک ترکیب شده تا برای حل مسائل زمان‌بندی کار کارگاهی پویا به‌کار رود. مسئله زمان‌بندی کار کارگاهی پویا یکی از پیچیده‌ترین حالات زمان‌بندی ماشین به‌شمار می‌رود. استفاده از حافظه مبتنی بر کلاس‌بندی، مسائل پویایی که ممکن است بر اساس تغییر محیط منسوخ شوند را توسعه می‌دهد. این حافظه یک لایه انتزاعی میان راه‌حل‌های عملی و مدخل‌های حافظه ایجاد می‌کند، به‌طوری‌که راه‌حل‌های قدیمی ذخیره شده در حافظه به راه‌حل‌های محیط جاری نگاشت شوند.