Đánh giá hiệu năng của thuật toán Egret Swarm Optimization trong tối ưu hóa sản xuất
Tóm tắt: 0
| 
PDF: 0 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Tối ưu hóa
Thuật toán tối ưu hóa Egret
Benchmark
Lập lịch
Bài toán phân công
Tóm tắt
Nghiên cứu này đánh giá hiệu quả của thuật toán Egret Swarm Optimization Algorithm (ESOA) thông qua so sánh với các thuật toán Particle Swarm Optimization (PSO), Differential Evolution (DE) và Grey Wolf Optimizer (GWO) trên bộ dữ liệu chuẩn CEC-2017. Kết quả cho thấy ESOA đạt chất lượng nghiệm tốt, độ ổn định cao và khả năng hội tụ đáng tin cậy. Bên cạnh đó, thuật toán được áp dụng vào bài toán thực tế về phân bổ nguồn lực sản xuất, sử dụng dữ liệu thu thập từ hệ thống Manufacturing Execution Systems (MES) của một doanh nghiệp sản xuất trong ba tháng, có tích hợp yếu tố biến động chi phí phi tuyến tính và các ràng buộc vận hành. Kết quả thực nghiệm cho thấy ESOA duy trì hiệu năng ổn định qua nhiều lần chạy và thể hiện khả năng tìm kiếm hiệu quả trong không gian nghiệm quy mô lớn. Tuy nhiên, nghiên cứu cũng chỉ ra một số hạn chế liên quan đến đặc tính của bộ dữ liệu và số lượng vòng lặp cần thiết để đạt trạng thái hội tụ.
Tài liệu tham khảo
-
[1] K. de Backer, M. Mancini, and A. Sharma, “Optimizing back-end semiconductor manufacturing through Industry 4.0,” McKinsey & Company, Feb. 2017. [Online]. Available: https://www.mckinsey.com/industries/semiconductors/our-insights/optimizing-back-end-semiconductor-manufacturing-through-industry-40. [Accessed: Jan. 12, 2026].
[2] M. L. Pinedo, Scheduling: Theory, Algorithms, and Systems, 5th ed. Cham, Switzerland: Springer, 2016. doi: 10.1007/978-3-319-26580-3.
[3] S. Nahmias and T. Olsen, Production and Operations Analysis, 7th ed. Long Grove, IL, USA: Waveland Press, 2015. ISBN: 1478628243.
[4] H. Lasi, P. Fettke, H.-G. Kemper, T. Feld, and M. Hoffmann, “Industry 4.0,” Bus. Inf. Syst. Eng., vol. 6, no. 4, pp. 239–242, Jun. 2014, doi: 10.1007/s12599-014-0334-4.
[5] L. D. Xu, W. He, and S. Li, “Internet of Things in industries: A survey,” IEEE Trans. Ind. Informat., vol. 10, no. 4, pp. 2233–2243, Nov. 2014, doi: 10.1109/TII.2014.2300753.
[6] IDC, “Worldwide IDC Global DataSphere forecast, 2022–2026: Enterprise organizations driving most of the data growth,” https://www.marketresearch.com, May 2022. [Online]. Available: https://www.marketresearch.com/IDC-v2477/Worldwide-IDC-Global-DataSphere-Forecast-31469143/. [Accessed: Jan. 1, 2026].
[7] C. Li, Y. Chen, and Y. Shang, “A review of industrial big data for decision making in intelligent manufacturing,” Eng. Sci. Technol., Int. J., vol. 29, p. 101021, 2021, doi: 10.1016/j.jestch.2021.06.001.
[8] A. El Azzaoui, M. M. Salim, and J. H. Park, “Secure and reliable big-data-based decision making using quantum approach in IIoT systems,” Sensors, vol. 23, no. 10, p. 4852, 2023, doi: 10.3390/s23104852.
[9] A. Banerjee, S. Roy, and D. Mukherjee, “An IIoT machine model for achieving consistency in product quality in manufacturing plants,” arXiv:2109.12964 [cs.LG], Sep. 2021.
[10] F. S. Hillier and G. J. Lieberman, Introduction to Operations Research, 10th ed. New York, NY, USA: McGraw-Hill, 2015.
[11] R. Bellman, Dynamic Programming. Princeton, NJ, USA: Princeton University Press, 1957.
[12] T. H. Cormen, C. E. Leiserson, R. L. Rivest, and C. Stein, Introduction to Algorithms, 3rd ed. Cambridge, MA, USA: MIT Press, 2009.
[13] J. H. Holland, “Genetic algorithms,” Sci. Amer., vol. 267, no. 1, pp. 66–73, Jul. 1992.
[14] J. Kennedy and R. Eberhart, “Particle swarm optimization,” in Proc. IEEE Int. Conf. Neural Netw. (ICNN’95), Perth, Australia, Nov.–Dec. 1995, pp. 1942–1948.
[15] N. C. Hanh, N. C. Quy, T. V. H. Thanh, D. N. C. Cong, L. V. Trung, and V. T. Hanh, “Lithium-Ion Battery Cell Production Process Simulation Using Tecnomatix Plant Simulation Software,” The University of Danang - Journal of Science and Technology, vol. 22, no. 1, pp. 36–41, Jan. 2024.
[16] T. P. Q. Nguyen and T. H. T. Le, “An innovative genetic algorithm-based master schedule to optimize job shop scheduling problem,” The University of Danang - Journal of Science and Technology, vol. 22, no. 12, pp. 7–12, 2024, doi: 10.31130/ud-jst.2024.422E.
[17] R. Storn and K. V. Price, “Differential evolution - A simple and efficient heuristic for global optimization over continuous spaces,” J. Global Optim., vol. 11, no. 4, pp. 341–359, 1997.
[18] W. Zhang, X. Bao, X. Hao, and M. Gen, “Metaheuristics for multi-objective scheduling problems in industry 4.0 and 5.0: A state-of-the-art survey,” Front. Ind. Eng., vol. 3, p. 1540022, 2025, doi: 10.3389/fieng.2025.1540022.
[19] B. Benaissa, M. Kobayashi, M. Al Ali, T. Khatir, and M. E. A. E. Elmeliani, “Metaheuristic optimization algorithms: An overview,” HCMCOU J. Sci. Adv. Comput. Struct., vol. 14, no. 1, pp. 33–61, 2024, doi: 10.46223/HCMCOUJS.acs.en.14.1.47.2024.
[20] A. G. Gad, “Perspective chapter: Metaheuristic optimization in Industry 4.0 – foundations, applications, and future horizons,” in Industry 4.0 - Transforming the Future Beyond Manufacturing - Volume 1: Digital Technologies and Smart Industrial Systems. London, U.K.: IntechOpen, 2026, doi: 10.5772/intechopen.1014314.
[21] M. Maciąg, M. Szeląg, and P. Sowa, “Optimization of electric drive system using metaheuristic algorithms in virtual commissioning environment,” Energies, vol. 19, no. 4, p. 1057, 2026, doi: 10.3390/en19041057.
[22] B. Jeong, J.-H. Han, and J.-Y. Lee, “Metaheuristics for a flow shop scheduling problem with urgent jobs and limited waiting times,” Algorithms, vol. 14, no. 11, p. 323, 2021, doi: 10.3390/a14110323.
[23] S. Dauzère-Pérès, J. Ding, L. Shen, and K. Tamssaouet, “The flexible job shop scheduling problem: A review,” Eur. J. Oper. Res., vol. 314, no. 2, pp. 409–432, 2024, doi: 10.1016/j.ejor.2023.05.017.
[24] H. N. Trieu, H. P. Nguyen, and T. M. H. Phan, “Two-stage dynamic scheduling model for a flexible flow shop using a genetic algorithm: A case study in a truck body manufacturing company,” The University of Danang - Journal of Science and Technology, vol. 24, no. 3, pp. 101–107, 2026, doi: 10.31130/ud-jst.2026.24(3).721E.
[25] Y. Wang, Z. Jia, and X. Zhang, “A hybrid meta-heuristic for the flexible flow shop scheduling with blocking,” Swarm Evol. Comput., vol. 75, p. 101195, 2022, doi: 10.1016/j.swevo.2022.101195.
[26] A. Seyyedabbasi, “A reinforcement learning-based metaheuristic algorithm for solving global optimization problems,” Adv. Eng. Softw., vol. 178, p. 103411, 2023, doi: 10.1016/j.advengsoft.2023.103411.
[27] E. V. Altay, O. Altay, and Y. Özçevik, “A comparative study of metaheuristic optimization algorithms for solving real-world engineering design problems,” Comput. Model. Eng. Sci., vol. 139, no. 1, pp. 1039–1094, 2024, doi: 10.32604/cmes.2023.029404.
[28] T. Ivanovski, M. Brkić Bakarić, and M. Matetić, “Recent advances in metaheuristic algorithms,” Algorithms, vol. 19, no. 1, p. 19, 2026, doi: 10.3390/a19010019.
[29] Z. Chen et al., “Egret swarm optimization algorithm: An evolutionary computation approach for model free optimization,” Biomimetics, vol. 7, no. 4, p. 144, 2022, doi: 10.3390/biomimetics7040144.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Jul 31, 2026
Download
Cách trích dẫn
Son, P. K., N. T. Long, và N. C. Hanh. “Đánh Giá hiệu năng của thuật toán Egret Swarm Optimization Trong tối ưu hóa sản xuất”. Tạp Chí Khoa học Và Công nghệ Đại học Đà Nẵng, vol 24, số p.h 7A, Tháng Bảy 2026, tr 1-8, doi:10.31130/ud-jst.2026.24(7A).361E.
