@inproceedings{Henning2003,
  author    = {Henning, Andr{\´e}},
  title     = {Short Listing f{\"u}r multikriterielle Job-Shop Scheduling Probleme},
  doi       = {10.25643/bauhaus-universitaet.298},
  url       = {http://nbn-resolving.de/urn:nbn:de:gbv:wim2-20111215-2988},
  year      = {2003},
  abstract  = {In ersten Teil des Vortrages wird eine Heuristik zur Approximation der Pareto Menge multikriterielle verallgemeinerter Job-Shop Scheduling-Probleme vorgestellt. Der Algorithmus basiert auf einer genetischen lokale Suche Heuristik. Die Mittelwertbildung der Startzeiten der Vorg{\"a}nge wurde hierbei als Rekombinationsoperator verwendet. Als lokale Suche wurde ein Threshold Accepting Algorithmus implementiert. Der Algorithmus wurde auf einer großen Menge von Benchmark-Instanzen und den Zielfunktionen Makespan, Tardiness, Lateness und Summe der Fertigstellungszeiten getestet. Die Ergebnisse zu den verschiedenen Zielfunktionen werden vorgestellt. Die vom Algorithmus erzeugte Approximation der Pareto Menge kann eine große Anzahl von L{\"o}sungen enthalten. Aus dieser Menge muss der Entscheidungstr{\"a}ger eine L{\"o}sung ausw{\"a}hlen. Da die Datenmenge schon bei moderaten Problemdimensionen sehr umfangreich wird, stellt dies ein Problem f{\"u}r den Entscheider dar. Deshalb muss die große Menge der L{\"o}sungen auf eine {\"u}berschaubare Anzahl reduziert werden. Bei dieser Reduktion der L{\"o}sungen muss die Diversit{\"a}t der verbleibenden L{\"o}sungen beachtet werden. Diese Reduzierung wird als Short Listing bezeichnet und im zweiten Teil des Vortrages vorgestellt. Im ersten Schritt des Short Listings werden die L{\"o}sungen mittels Abstandsmaßen im L{\"o}sungsraum geclustert. Die dazu verwendeten Abstandsmaße werden auf den Permutationen der Vorg{\"a}nge auf den Ressourcen definiert. Es wurden f{\"u}nf Abstandsmaße und zwei Clusterverfahren, ein hierarchisches und ein nicht-hierarchisches, untersucht. Im zweiten Schritt wird aus jedem Cluster jeweils eine L{\"o}sung ausgew{\"a}hlt und dem Entscheidungstr{\"a}ger vorgelegt. Dabei wurden zwei Methoden untersucht. Im ersten Fall wurde die bez{\"u}glich einer Ranking-Funktion beste L{\"o}sung und im zweiten Fall die Medianl{\"o}sung bez{\"u}glich des Abstandsmaßes ausgew{\"a}hlt. Die Abstandsmaße, Clusteralgorithmen und Auswahlmethoden wurden auf einer großen Menge von Benchmark-Instanzen verglichen. Die Ergebnisse werden im Vortrag vorgestellt.},
  subject      = {Reihenfolgeproblem},
  language  = {de}
}