王嘉宏

个人信息Personal Information

副教授

博士生导师

硕士生导师

教师英文名称：Chia-Hung Wang

教师拼音名称：ChiaHung Wang

所在单位：计算机科学与数学学院

职务：副教授

学历：研究生(博士后)

办公地点：计算机科学与数学学院计算机科学与技术教研室

联系方式：校址：福建省福州市闽侯县上街镇学府南路69号福建理工大学 (邮编: 350118) 教师主页: http://faculty.fjut.edu.cn/wang_chiahung/zh_CN/index.htm ResearchGate Website: https://www.researchgate.net/profile/Chia-Hung_Wang2

学位：博士学位

在职信息：在职

主要任职：副教授

其他任职：研究生导师

毕业院校：(中国台湾)政治大学

学科：计算机科学与技术
电子信息工程
交通运输
信息与计算科学
数据科学与大数据技术

同专业博导同专业硕导

论文成果

当前位置：王嘉宏博士（Chia-Hung Wang, Ph.D.）中文主页 >> 科学研究 >> 论文成果

A Solution to the Job Shop Scheduling Problem based on an Enhanced Slime Mould Algorithm

点击次数：

DOI码：10.1504/IJCSM.2025.148202

发表刊物：International Journal of Computing Science and Mathematics

关键字：JSSP; job shop scheduling problem; slime mould algorithm; OBL; opposition-based learning; metaheuristic; scheduling optimisation.

摘要：The job shop scheduling problem (JSSP) is a complex optimisation challenge with broad industrial applications. This study introduces an enhanced slime mould algorithm (ESMA), designed to effectively tackle JSSP. ESMA integrates opposition-based learning (OBL) and non-linear inertia weight strategies to improve both exploration and exploitation. Benchmark evaluations demonstrate ESMA's superior performance, achieving up to a 3.36% improvement in average makespan for small-scale problems and a 15.56% reduction in makespan for large-scale instances compared to traditional and metaheuristic approaches. These results confirm ESMA's strong global search capabilities as a powerful solution to JSSP.

论文类型：期刊论文

学科门类：交叉学科

文献类型：J

卷号：21

期号：4

页面范围：289-302

ISSN号：1752-5063

是否译文：否

发表时间：2025-08-28

收录刊物：EI

发布期刊链接：https://www.inderscience.com/info/inarticle.php?artid=148202

第一作者：Trong-The Nguyen

合写作者：Yingping Zeng,Jinchen Yuan,Thi-Kien Dao

通讯作者：Chia-Hung Wang

上一条：Stock conditional drawdown at risk portfolio optimization based on gated bidirectional temporal convolution and discrete cosine graph neural networks on hypervariable graphs

下一条：Significant wave height prediction at multiple sites using sequence decomposition and dynamic spatiotemporal graph neural networks