en عمومى General پژوهشي Research <pre aria-label="Translated text: چکیده: این مطالعه الگوریتم «حریصانه تکرارشونده با یادگیری عشق متقابل» (IGML) را برای حل مسئله زمان‌بندی کارگاه جریان جایگشتی (PFSP) با هدف کمینه‌سازی زمان تکمیل کل عملیات (makespan) پیشنهاد می‌کند. روش پیشنهادی، ماتریس یادگیری عشق متقابل و فرآیند تخریب و بازسازی مبتنی بر میزان قرابت (affinity-guided) را با هم تلفیق می‌کند تا جستجو برای یافتن توالی‌های کاری مطلوب را بهبود بخشد. عملکرد الگوریتم IGML با استفاده از ۱۲۰ نمونه معیار (benchmark) تایلارد (Taillard)، در مقایسه با الگوریتم کلاسیک حریصانه تکرارشونده (IG) و روش ابتکاری نواز-انسکور-هام (NEH) ارزیابی شد. الگوریتم IGML به کمترین میانگین زمان تکمیل کل (۶۸۷۱٫۷۱۷) دست یافت، در حالی که این مقدار برای IG برابر با ۶۸۷۷٫۷۹۲ و برای NEH برابر با ۶۸۹۹٫۹۴۲ بود. به همین ترتیب، IGML کمترین میانگین انحراف نسبی از بهترین پاسخ (RPD) را با مقدار ۳٫۰۶۶٪ کسب کرد، در مقایسه با ۳٫۲۱۱٪ برای IG و ۳٫۸۶۴٪ برای NEH. آزمون رتبه علامت‌دار ویلکاکسون در سطح معناداری ۵٪، تفاوت‌های آماری معناداری را میان IGML و NEH (0.001 > p) و همچنین میان IGML و IG (0.0027 = p) تأیید کرد. علاوه بر این، یک مطالعه موردی عملی شامل هشت قطعه جایگزین در یک کارگاه تولید شکر برای نشان دادن قابلیت کاربرد رویکرد پیشنهادی مورد استفاده قرار گرفت. نتایج حاکی از آن است که IGML در مقایسه با روش‌های متداول مورد بررسی، بهبود آماری معناداری را در عملکرد زمان تکمیل کل (makespan) برای مسئله PFSP فراهم می‌کند." data-placeholder="Translation" data-ved="2ahUKEwjsgYHXwa-WAxXOYEEAHSgFNKIQ3ewLegQIDRAV" dir="rtl" id="tw-target-text" role="text" tabindex="-1"> </pre> <span style="font-size:11pt"><span style="line-height:normal"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="EN-US" new="" roman="" style="font-family:" times="">This study proposes a mutual-love learning iterated greedy (IGML) algorithm for the permutation flow shop scheduling problem (PFSP) with the objective of minimizing makespan. The proposed method integrates a mutual-love learning matrix and affinity-guided destruction and reconstruction to improve the search for promising job sequences. The performance of IGML was evaluated against classical iterated greedy (IG) and the Nawaz&ndash;Enscore&ndash;Ham (NEH) heuristic using 120 Taillard benchmark instances. IGML achieved the lowest average makespan of </span><strong><span lang="EN-US" style="font-weight:normal">6871.717</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times="">, compared with </span><strong><span lang="EN-US" style="font-weight:normal">6877.792</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times=""> for IG and </span><strong><span lang="EN-US" style="font-weight:normal">6899.942</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times=""> for NEH. Similarly, IGML obtained the lowest average RPD of </span><strong><span lang="EN-US" style="font-weight:normal">3.066%</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times="">, compared with </span><strong><span lang="EN-US" style="font-weight:normal">3.211%</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times=""> for IG and </span><strong><span lang="EN-US" style="font-weight:normal">3.864%</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times=""> for NEH. The Wilcoxon signed-rank test at the </span><strong><span lang="EN-US" style="font-weight:normal">5% significance level</span></strong><b> </b><span lang="EN-US" new="" roman="" style="font-family:" times="">confirmed statistically significant differences between IGML and NEH (</span><strong><span lang="EN-US" style="font-weight:normal">p < 0.001</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times="">) and between IGML and IG (</span><strong><span lang="EN-US" style="font-weight:normal">p = 0.0027</span></strong><span lang="EN-US" new="" roman="" style="font-family:" times="">). A practical case study involving eight replacement components in a sugar manufacturing workshop was further used to demonstrate the applicability of the proposed approach. The results indicate that IGML provides a statistically significant improvement in PFSP makespan performance over the conventional methods considered.</span></span></span></span></span><br> &nbsp; Permutation Flow Shop Scheduling, Iterated Greedy, Mutual-Love Learning, Affinity, Makespan, Taillard Benchmark. 61 80 http://ijorlu.lahijan.iau.ir/browse.php?a_code=A-10-598-2&slc_lang=en&sid=1 A. Olalekan Olasupo oolasupo832@stu.ui.edu.ng 10031947532846002682 10031947532846002682 Yes Department of Industrial and Production Engineering, University of Ibadan, Nigeria F. Damilare Ibikunle dibikunle252511@stu.ui.edu.ng 10031947532846002683 10031947532846002683 No Department of Industrial and Production Engineering, University of Ibadan, Nigeria A. Jeremiah Amogu jamogu253596@stu.ui.edu.ng 10031947532846002684 10031947532846002684 No Department of Industrial and Production Engineering, University of Ibadan, Nigeria