The job-shop scheduling problem (JSSP) is a challenging scheduling and optimization problem in the industry and engineering, which relates to the work efficiency and operational costs of factories. The completion time of all jobs is the most commonly considered optimization objective in the existing work. However, factories focus on both time and cost objectives, including completion time, total tardiness, advance time, production cost, and machine loss. Therefore, this article first time proposes a many-objective JSSP that considers all these five objectives to make the model more practical to reflect the various demands of factories. To optimize these five objectives simultaneously, a novel multiple populations for multiple objectives (MPMO) framework-based genetic algorithm (GA) approach, called MPMOGA, is proposed. First, MPMOGA employs five populations to optimize the five objectives, respectively. Second, to avoid each population only focusing on its corresponding single objective, an archive sharing technique (AST) is proposed to store the elite solutions collected from the five populations so that the populations can obtain optimization information about the other objectives from the archive. This way, MPMOGA can approximate different parts of the entire Pareto front (PF). Third, an archive update strategy (AUS) is proposed to further improve the quality of the solutions in the archive. The test instances in the widely used test sets are adopted to evaluate the performance of MPMOGA. The experimental results show that MPMOGA outperforms the compared state-of-the-art algorithms on most of the test instances.

中文翻译：

---

多目标作业车间调度：基于多目标的遗传算法方法的多群体

作业车间调度问题（JSSP）是工业和工程中具有挑战性的调度和优化问题，关系到工厂的工作效率和运营成本。所有作业的完成时间是现有工作中最常考虑的优化目标。然而，工厂关注时间和成本目标，包括完成时间、总延迟、提前时间、生产成本和机器损失。因此，本文首次提出了一个综合考虑这五个目标的多目标JSSP，使模型更加实用，以反映工厂的各种需求。为了同时优化这五个目标，提出了一种称为 MPMOGA 的基于多目标 (MPMO) 框架的遗传算法 (GA) 新方法。第一的，MPMOGA 使用五个群体来分别优化五个目标。其次，为了避免每个群体只关注其对应的单一目标，提出了一种档案共享技术（AST）来存储从五个群体收集的精英解决方案，以便群体可以从档案中获得关于其他目标的优化信息。这样，MPMOGA 就可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。分别。其次，为了避免每个群体只关注其对应的单一目标，提出了一种档案共享技术（AST）来存储从五个群体收集的精英解决方案，以便群体可以从档案中获得关于其他目标的优化信息。这样，MPMOGA 就可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。分别。其次，为了避免每个群体只关注其对应的单一目标，提出了一种档案共享技术（AST）来存储从五个群体收集的精英解决方案，以便群体可以从档案中获得关于其他目标的优化信息。这样，MPMOGA 就可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。提出了一种档案共享技术 (AST) 来存储从五个种群收集的精英解决方案，以便种群可以从档案中获取有关其他目标的优化信息。这样，MPMOGA 就可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。提出了一种档案共享技术 (AST) 来存储从五个种群收集的精英解决方案，以便种群可以从档案中获取有关其他目标的优化信息。这样，MPMOGA 就可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。MPMOGA 可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。MPMOGA 可以逼近整个帕累托前沿 (PF) 的不同部分。第三，提出了存档更新策略（AUS）以进一步提高存档中解决方案的质量。采用广泛使用的测试集中的测试实例来评估 MPMOGA 的性能。实验结果表明，MPMOGA 在大多数测试实例上优于比较的最先进算法。