4 BAB II LANDASAN TEORI 2.1 Konsep Penjadwalan Produksi
Penjadwalan adalah kegiatan untuk menentukan setiap pekerjaan dan mesin yang harus dilakukan serta pengalokasian sumber daya dan kapasitas yang tersedia. Menurut Baker and Trietsch (2013), Penjadwalan adalah kegiatan pengalokasian sumber atau mesin yang ada untuk menjalankan sekumpulan tugas dalam jangka waktu tertentu. Elemen yang terdapat pada penjadwalan yaitu mesin (operasi) dan job. Pada setiap operasi yang dikerjakan mesin memiliki beberapa faktor yang akan mempengaruhi kinerja operasi tersebut seperti penentuan tenaga kerja, alokasi mesin dan lainya.
Perusahaan selalu melakukan penjadwalan produksi dalam pemenuhan kapasitas permintaan konsumen untuk jangka pendek dalam rentang periode beberapa minggu, bulan. Menurut Baroto (2002) penjadwalan yang tidak efektif akan menghasilkan tingkat penggunaan yang rendah dari kapasitas yang ada. Hal ini dapat menurunkan efektifitas dan daya saing perusahaan, serta penurunan dari tingkat pelayanan dan hal-hal lainnya secara tidak langsung.
2.2 Tujuan Penjadwalan
Tujuan menjadwalkan produksi untuk meminimalisir waktu keterlambatan pemesanan dengan para konsumen dengan perusahaan sehingga dapat menambah produktivitas produksi. Menurut (Baker & Trietsch, 2013) beberapa tujuan penjadwalan sebagai berikut :
a. Meningkatkan penggunaan sumber daya atau mengurangi waktu tunggunya, sehingga total waktu proses dapat berkurang, dan produktivitas dapat meningkat.
b. Mengurangi persediaan barang setengah jadi atau mengurangi sejumlah pekerjaan yang menunggu antrian ketika sumber daya yang ada masih mengerjakan yang lain. Teori Baker mengatakan, jika makespan suatu penjadwalan adalah konstan, maka urutan kerja yang tepat akan mengurangi rata-rata waktu alir sehingga mengurangi rata-rata persediaan barang setengah jadi.
c. Mengurangi beberapa lambatnya suatu pekerjaan yang mempunyai waktu penyelesaian (duedate) sehingga akan meminimasi penalty cost (biaya kelambatan), dilakukan dengan cara mengurangi maksimum keterlambatan ataupun dengan mengurangi jumlah pekerjaan yang terlambat.
d. Membantu pengambilan keputusan mengenai perencanaan kapasitas pabrik dan jenis kapasitas yang dibutuhkan sehingga penambahan biaya yang mahal dapat dihindarkan.
e. Meminimasi rata-rata waktu proses dalam suatu sistem.
f. Memenuhi deadline yang telah disepakati.
2.3 Pengertian Perencanaan Penjadwalan Flow Shop
Sebuah sistem dalam proses produksi dimana urutan setiap pekerjaan ditentukan, dan memiliki urutan stasiun kerja yang sama. Menurut Firdaus, Masudin, and Utama (2015) setiap mesin kerja dikategorikan (M1,M2,M3…Mk) dan setiap pekerjaan (J1,J2,J3…Jk) dan diberikan urutan nomor.
2.4 Tipe Aliran Flow Shop
Menurut (Utama, Ardiansyah, & Garside, 2019) , flow shop terbagi menjadi beberapa bagian berdasarkan aliran produksinya :
a) Pure Flow shop
Setiap job akan melewati seluruh mesin yang bekerja dari awal hingga proses terakhir
Gambar 2. 1 Pola Aliran Pure Flow Shop (Sumber : Baker dan Triesch Tahun 2013)
2.5 Penjadwalan Berkelompok (Batch Schedulling)
Menurut Bukchin, Tzur, and Jaffe (2002) Pemisahan lot adalah teknik untuk mempercepat alur pekerjaan dengan membagi banyak pekerjaan menjadi sublot. Lalu mengidentifikasi masalah penjadwalan lot dengan pengaturan terpisah dan dengan ketersediaan kapasitas. Ukuran kinerja yang dipertimbangkan adalah waktu proses rata-rata yang menunjukkan waktu tunggu manufaktur yang semakin penting. Lebih Lanjut, mengidentifikasi sifat-sifat solusi optimal dan
mengembangkan prosedur solusi untuk memecahkan masalah tersebut, kemudian menyajikan studi komputasi yang menunjukkan bahwa teknik solusi lebih efisien.
Menurut jurnal yang dibahas oleh Zheng, Zhou, Xu, and Chen (2020) mengidentifikasi prosedur penjadwalan beserta hubunganya. Gambar 2.2 menunjukkan satu set n job yang akan diproses dalam penjadwalan flowshop, di mana n job dikelompokkan ke dalam k batch (Kelompok). Kemudian, batch yang diperoleh diurutkan dan diberi kecepatan pemesinan yang tepat sesuai dengan kemampuan pemrosesan mesin dan dengan mempertimbangkan konsumsi energi.
Maka dari itu mesin memproses batch dalam urutan yang ditentukan untuk mendapatkan makespan (Cmax) minimum dan Total Konsumsi Energi (TEC).
Gambar 2. 2 Struktur Batch
1. n job akan diproses oleh penjadwalan flowshop dengan mempertimbangkan job yang tidak identik. Besarnya Job disebut dengan Demand (Dj), Waktu Proses Job disebutkan deng Pj.
2. Demand batch (Dk) harus lebih sedikit atau sama dengan kapasitas mesin (B). Ketika Batasan kapasitas terpenuhi. Maka n job akan dikelompokan di k batch. Ukuran demand batch (Dk) sama dengan total demand job pada batch tersebut.
3. Tujuan dari fungsi diatas yaitu untuk meminimasi total konsumsi energi (TEC).
Tabel 2. 1 Notasi Batch Schedulling
Notasi Definisi
j m k Dj
Dk
Rk
Sk,m
Pj,m
Pk,m
Pi,m
Ep,m
Ei,m
TEC
Jumlah job ke-n {1,2,3…j}
Jumlah Mesin ke-i {1,2}
Jumlah Kelompok (batch) Jumlah kapasitas tiap job Jumlah kapasitas tiap batch
Waktu Rilis batch k pada mesin pertama Waktu Mulai batch k pada mesin ke-m Waktu proses tiap job pada mesin ke-m Waktu proses tiap batch pada mesin ke-m Waktu Idle pada mesin ke-m
Energi proses pada mesin ke-m Energi idle pada mesin ke-m Total Konsumsi Energi
Fungsi tujuan untuk meminimasi konsumsi energi pada permasalahan Batching schedulling yaitu sebagai berikut :
Fungsi Tujuan :
𝑇𝐸𝐶 = ∑𝑛𝑘=1∑2𝑚=1𝐸𝑝.𝑚∗ 𝑃𝑘.𝑚+ ∑2𝑚=1𝐸𝑖.𝑚∗ 𝑃𝑖,𝑚) (1) Batasan Pengerjaan (constraint) :
∑𝑛𝑘=1𝑥𝑗𝑘 = 1, ∀𝑗 ∈ [1,2 … 𝑛] (2)
∑𝑛𝑗=1𝑠𝑗. 𝑥𝑗𝑘 ≤ 𝐵, = 1, ∀𝑘 ∈ [1,2 … 𝑛] (3)
𝐶𝑚𝑎𝑥 = 𝐶𝑛,2 (4)
𝑃𝑖,1 = 𝐶𝑛,1− ∑𝑛𝑘=1𝑃𝑘,1 (5) 𝑃𝑖,2 = 𝐶𝑛,2− ∑𝑛𝑘=1𝑃𝑘,2 (6) 𝑃𝑘,𝑚 = 𝑀𝑎𝑥{𝑃𝑗,𝑚∗ 𝑋𝑗,𝑘 𝑗 ∈ [1,2 … 𝑛]} , ∀𝑘 ∈ [1,2 … 𝑛], 𝑚 ∈ [1,2]
(7)
𝑅𝑘 = 𝑀𝑎𝑥{𝑅𝑗| 𝑗 ∈ 𝑏𝑎𝑡𝑐ℎ 𝑘}, ∀𝑘 ∈ [1,2 … 𝑛] (8) 𝑆𝑘,1 = { 𝑘 = 1
𝑀𝑎𝑥{𝑅𝑘, 𝐶𝑘−1,1, 𝑆𝑘−1,2} , ∀ 𝑘 ∈ [2 … 𝑛] (9) 𝑆𝑘,2 = { 𝐶𝑘,1 𝑘 = 1
𝑀𝑎𝑥{𝐶𝑘,1, 𝐶𝑘−1,2, } , ∀ 𝑘 ∈ [2 … 𝑛] (10) 𝐶𝑘,𝑚 = 𝑆𝑘,𝑚+ 𝑃𝑘,𝑚 , ∀ 𝑘 ∈ [1,2 … 𝑛], 𝑚 ∈ [1,2] (11)
𝑋𝑗,𝑘 = {1, 𝑗 ∈ 𝑏𝑎𝑡𝑐ℎ 𝑘
0, 𝑂𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 , ∀ 𝑘 ∈ [1,2 … 𝑛] 𝑗 ∈ [1,2 … 𝑛] (12) Persamaan (1) menjelaskan fungsi tujuan untuk meminimasi konsumsi energi (TEC). Constraint Persamaan (2) memastikan bahwa beberapa job dapat berada dalam batch yang sama tetap`i sebuah job hanya memiliki 1 batch. Constraint Persamaan (3) menunjukkan bahwa kapasitas total (Sk) batch k memenuhi persyaratan kapasitas mesin. Constraint Persamaan (4) menunjukan waktu akhir penyelesaian semua batch (makespan). Constraint Persamaan (5) dan (6) menunjukan total waktu idle pada masing-masing mesin. Constraint Persamaan (7) menunjukan waktu proses mesin (𝑷𝒌,𝒎) dari batch k untuk mesin m.
Persamaan (8) mewakili waktu rilis batch k, yang ditentukan oleh job rilis terbaru dalam batch tersebut. Constraint Persamaan (9) dan (10) waktu mulai batch untuk setiap mesin. Constraint Persamaan (11) menunjukan waktu penyelesaian batch k pada mesin m. Constraint Persamaan (12) Jika job dijadwalkan ke batch k, maka (𝑿𝒋,𝒌) akan diubah menjadi 1, jika tidak, nilainya 0.
2.6 Klasifikasi Penjadwalan
Menurut Ginting (2009) prinsip penjadwalan dibagi menjadi dua yaitu:
a. Penjadwalan Maju (Forward Schedulling)
Penjadwalan dilakukan secara maju kedepan dari tanggal semenjak penerimaan pesanan. Dari bahan baku dipersiapkan hingga diproses menjadi barang jaddi. Kelebihan dari metode ini adalah dapat di lakukan secar short Processing Time (SPT) maka diperoleh suatu jadwal dengan flowtime paling minimum.
b. Penjadwalan Mundur ( Backward Schedulling)
Penjadwalan yang dilakukan dari waktu selesai operasi terakhir.
Kelebihanya adalah untuk mengurangi barang setengah jadi.
Berdasarkan Pinedo (2012) klasifikasi penjadwalan terbagi menjadi beberapa macam :
a. Penjadwalan Mesin Tunggal (single machine)
Penjadwalan pada satu mesin adalah menempatkan job ke mesin tunggal tersebut, maka dari itu job tersebut diatur se efeisien mungkin agar dapat optimal.
b. Penjadwalan paralel terbagi menjadi 2 macam :
1. Penjadwalan N job pada mesin paralel identik
Prinsipnya yaitu menempatkan beban terhadap mesin yang kosong terlebih dahulu.
2. Penjadwalan N job pada mesin paralel non identic,
Setiap mesin memiliki proses operasi yang sama tetapi memiliki waktu berbeda beda.
Berdasarkan klasifikasi pola kedatangan Job penjadwalan terbagi menjadi beberapa macam :
1. Penjadwalan statis
Ketika job atau pesanan datang dengan waktu yang sama dan siap untuk diproses pada mesin yang kosong, dimana tidak ada job yang datang saat jadwal tersebut dilaksanakan.
2. Penjadwalan dinamis
Ketika job datang tidak menentu maka harus dibuatkan jadwal baru.
Berdasarkan Product Positioning terbagi menjadi beberapa macam : 1. Make to Order
Ketika pesanan datang maka total jumlah serta tipe yang akan diproduksi berdasarkan pesanan, maka dari itu dapat meminimasi biaya penyimpanan produk.
2. Make to Stock
Produk akan di produksi secara kontinyu berdasarkan jumlah dan tipe produk untuk stok produk di perusahaan.
2.7 Istilah dalam Penjadwalan
Berdasarkan Ginting (2009) berikut beberapa istilah yang terdapat pada permasalahan penjadwalan produksi :
a. Processing Time / waktu proses (Pi)
Yaitu waktu yang dibutuhkan untuk menyelesaikan proses dari job ke-n b. Completion Time / waktu penyelesaian (Ci)
Jarak antara waktu semenjak job awal di lakukan t = 0 hingga job ke – n diselesaikan
c. Flowtime
Yaitu total waktu suatu job siap diproses sampai selesai.
d. Makespan (M)
Yaitu total jarak waktu seluruh penyelesaian job yang merupakan total proses job awal hingga job akhir.
2.8 Ukuran Performansi Penjadwalan
Ukuran performansi merupakan tujuan dari penjadwalan akan hasil yang diinginkan Masudin, Utama, and Susastro (2014). Adapun kriteria penjadwalan urutan job adalah sebagai berikut :
Kriteria performansi penjadwalan berdasarkan atribut job.
1. Completion Time (Ci)
Waktu yang dibutuhkan untuk menyelesaikan job mulai tersedianya job (t = 0) sampai pada job tersebut selesai dikerjakan.
Ci FiRj (13)
Dimana:
Ci : Completion time job ke-i Fi : Flowtime job ke-i
ri : waktu ketika job ke-i selesai 2. Minimasi makespan,
Yaitu jangka total waktu yang dibutuhkan dalam penyelesaian seluruh job yang akan dijadwalkan.
C
max (14)Dimana
Cmax : Waktu penyelesaian job terakhir di mesin terakhir.
2.9 Gantt Chart
Masalah penjadwalan sebenarnya masalah tentang pengalokasian dengan bantuan model matematis akan dapat ditentukan solusi optimal. Menurut (Utama, 2019a) Model-model penjadwalan akan memberikan rumusan masalah yang sistematik dengan solusi yang diharapkan. Sebagai alat bantu yang digunakan dalam menyelesaikan masalah penjadwalan, dikenal satu model yang sederhana dan umum yang digunakan secara luas yakni peta Gantt chart. Gantt chart dapat membantu penggunanya untuk memastikan bahwa,
a) Urutan kinerja telah diperhitungkan
b) Perkiraan waktu kegiatan telah tercatat c) Semua kegiatan telah direncanakan d) Keseluruhan waktu proyek telah dibuat Kelebihan dari gantt chart adalah :
1. Dapat menunjukkan urusan kegiatan, kegiatan dan waktu.
2. Jika jumlah kegiatan tidak banyak atau hanya sekedar jadwal induk, maka alat bantu gantt chart menjadi pilihan pertama dalam proses perencanaan dan pengendalian kegiatan.
Kekurangan dari gantt chart adalah :
1. Tidak memperhatikan saling ketergantungan dan hubungan antar kegiatan, 2. Daya guna Gantt Chart akan menurun, karena untuk melakukan perbaikan
dan pembaharuan Gantt Chart harus dilakukan pembuatan ulang.
Gantt Chart tidak dapat menampilkan perenecanaan jadwal yang sistematis dalam menentukan korelasi antar kegiatan jika diterapkan untuk proyek –proyek yang berukuran sedang atau besar serta kompleks.
Gambar 2. 3 contoh gantt chart
2.10 Konsumsi Energi
Menurut Mouzon, Yildirim, and Twomey (2007), Konsumsi energi dapet di kurangi atau minimasi dengan beberapa faktor yang dapat mempengaruhi keadaan suatu mesin. Lebih lanjut, mesin yang idle dibiarkan menyala dalam waktu tertentu makan akan meningkatkan konsumsi energi. Tingginya konsumsi energi yang dikeluarkan dapat mempengaruhi produktifitas dari sistem produksi tersebut. Penjadwalan produksi yang baik perlu mempertimbangkan jumlah konsumsi energi dalam proses produksi. Untuk menentukan konsumsi energi dapat dihitung menggunakan formula sebagai berikut:
1 ,, 1...
n
i j j i
B
pt i m (15)1, 1, , 1...
i i i
Y c pt i m (16)
max( ,), 1... , 1...
i j i
CT c j n i m (17)
( ), 1...
i i i i
Wi CT B Y i m (18)
1( . ) ( )
m
i i i i
TEC
i B Ep Wi Ei (19)Keterangan :
Bi = Waktu sibuk pada mesin ke-i Yi = Waktu mulai di mesin ke-i
,
ptj i = Waktu proses job ke-j di mesin ke-i
,
cj i = Waktu penyelesaian job ke-j di mesin ke-i CTi = Total waktu penyelesaian di mesin ke-i Wii = Waktu idle ada mesin ke-i
Epi = Besar energi yang dikeluarkan saat waktu sibuk pada mesin ke-i Eii = Besar energi yang dikeluarkan saat waktu idle pada mesin ke-i TEC = Total konsumsi energi
2.11 Algoritma Camel Optimization (COA)
Algoritma perilaku perjalanan unta diusulkan dalam Ibrahim and Ali (2016) teknik optimasi metaheuristik yang meniru perilaku perjalanan unta di padang pasir untuk mencari makan. Unta dapat beradaptasi untuk bertahan dalam waktu lama walaupun kekurangan air dan lingkungan yang bersuhu tinggi. Unta memiliki kemampuan untuk pergi tanpa minum selama beberapa bulan selama musim dingin dan musim dingin. Di musim panas, unta minum sekali setiap delapan hingga sepuluh hari dan singkirkan hingga 30 persen dari beratnya melalui dehidrasi. Khususnya, ketika suhu rata-rata sekitar 30-35 ° C, unta dapat kesulitan 10-15 hari tanpa air, tetapi untuk nilai suhu di atas 40 ° C, unta minum lebih singkat (Gebreyohanes & Assen, 2017)
Dari perilaku sistematis tersebut, Algoritma Unta telah terinspirasi (Ali, Alnahwi, & Abdullah, 2019). Garis besar umum Algoritma Unta dapat diringkas sebagai berikut poin
1. Unta bepergian dalam sebuah rombongan.
2. Unta menyebar untuk menemukan oasis.
3. Unta yang mencapai oasis berkomunikasi dengan unta lainnya untuk memberitahu jalan ke oasis.
4. Bukit pasir dapat menghalangi pandangan beberapa unta, jadi unta akan terus bergerak secara acak.
5. Selama skenario perjalanan ini, unta lain dapat mencapai area rumput yang lebih baik, dan kemudian proses pembaruan diulang.
Berikut adalah langkah – langkah untuk algoritma Camel Optimization : 1. Inisialisasi Lokasi Persebaran Unta
Pada algoritma ini diasumsikan variabel yang terlibat adalah kawanan unta (camel caravan) yang berpergian. Pada iterasi awal (iter = 0), menunjukkan unta yang sedang mencari makanan tersebar secara acak di padang pasir yang ditentukan sebagai berikut:
max min min
( )
xdi x x Randx (20)
Di mana, d = 1,2, ..., D, Rand menunjukkan angka acak yang didistribusikan secara seragam antara 0 dan 1, xmin mewakili batas minimum lokasi unta, xmax
mewakili batas maksimum lokasi unta. Maka dari itu, lokasi masing-masing unta mempengaruhi fungsi fitness (makespan) untuk menemukan lokasi terbaik.
2. Hubungan Suhu Lingkungan dengan Daya Tahan Unta
Suhu lingkungan secara langsung mempengaruhi perjalanan unta, lanjut itu mempengaruhi daya tahan unta secara signifikan. Karena unta bergerak berpencar ke arah yang yang berbeda-beda, mereka merasakan suhu yang berbeda dan menghasilkan daya tahan yang berbeda pada setiap unta. Suhu unta (T) pada saat iterasi (iter) persebarannya berbentuk naik turun (fluktuatif) antara jumlah minimum suhu (Tmin) dan jumlah maksimum suhu (Tmax) sebagai berikut:
max min min
( )
Tdi T T RandT (21)
Pengaruh suhu pada daya tahan unta diformulasikan seperti di bawah ini:
,
, min
max min
( )
1 ( )
i iter
i iter d
d
T T
E T T
(22)
Dari persamaan (22), Editer mewakili daya tahan unta yang juga berbanding terbalik dengan suhu. Semakin tinggi daya tahan, semakin lebar pula langkah untanya.
3. Pandangan (Visibilitas) Unta di Padang Pasir Berbukit
Seperti disebutkan di bagian sebelumnya, bukit pasir dapat menghalangi pandangan beberapa unta di rombongan, sehingga tidak dapat memperbarui rute mereka menuju area rumput yang ditelah ditemukan sebelumnya oleh unta lainnya. Karena itu, terdapat dua skenario untuk memperbarui lokasi masing- masing unta. Ketika visibilitas unta lebih besar dari ambang visibilitas tertentu, fungsi digunakan adalah:
, , 1 , , 1
( )
i iter i iter i iter best i iter
d d d d d
X X E X X (23)
Dimana xdi,iter yaitu lokasi pada iterasi terentu, xdi,iter-1 mewakili lokasi sebelumnya, xdbest mewakili lokasi terbaik untuk seluruh iterasi sebelumnya berdasarkan pada fungsi fitness tertentu.
Skenario kedua dari proses pembaruan lokasi terjadi ketika visibilitas unta kurang dari ambang visibilitas, dimana unta secara acak memperbarui lokasinya berdasarkan hasil dari persamaan (8). Lokasi baru juga menggunakan fungsi fitness yang ditentukan untuk menentukan apakah lokasi baru adalah lokasi terbaik atau tidak lebih baik daripada lokasi terbaik sebelumnya. Jika lokasi baru lebih baik daripada sebelumnya, maka yang lokasi tersebut adalah lokasi terbaik, jika tidak iterasi sebelumnya tetap menjadi lokasi terbaik. Yang penting harus diperhatikan, visibilitas unta (v) pada masing-masing iterasi adalah menggunakan angka acak antara 0 dan 1, karena tergantung pada keberadaan lokasi acak dari bukit pasir. Proses pembaruan berlanjut hingga maksimum iterasi tercapai atau ambang batas tertentu dalam fungsi kebugaran tercapai.
Algorithm: Modified COA
Begin
Step 1: Initialization:
Set the temperature range and the location range Tmin and Tmax; set the camel caravan size and the dimension; set the visibility threshold; initialize the location of each camel from Eq.(20) Determine permutation job using LRV
Step 2 : Subject the locations to a certain fitness function for energy consumption; determine the current best location; randomly assign a visibility (v) for each camel.
Step 3 : While (iter<itermax) do
For i=1: Camel Caravan Size
Compute the temperature T from Eq. (21) Compute the endurance E from Eq. (22) If v < visibility threshold then
Update the camel location from Eq. (23)
Else
Update the camel location from Eq. (20)
End If
End For
Update Location LRV & Energy Consumption If the new best location is better than the older one The new best is the global best
End If
Assign new visibility for each camel Step 4 : End While
Step 5 : Output the best solution End
Gambar 2. 4 Pseudo Code Camel Algorithm
2.12 Literature Review
Beberapa penelitian terdahulu tentang penjadwalan flow shop yang meneliti tentang minimasi konsumsi energi. Öztop, Tasgetiren, Eliiyi, Pan, and Kandiller (2020) menggunakan Multi-Objective Iterated Greedy Algorithms (MOIGA) dan Multi-Objective Variable Block Insertion Heuristic (MOVBIH) untuk meniminasi Total Flowtime & Energy Consumption. Utama (2019b) meneliti Energy Consumption menggunakan metode NEH dan CDS. Schulz
(2018) menggunakan Genetic-Algorithm untuk klasifikasi single-objective yaitu meminimasi Total Energy Cost.
Tabel 2. 2 Literatur Review Jurnal Pendukung
No Author Fungsi Tujuan
Klasifikasi
Masalah Metode Algoritma
Single Multi
1 Öztop et al.
(2020)
Total Flowtime &
Energy Consumption
Heuristic
Multi-Objective Iterated Greedy
Algorithms (MOIGA) dan Multi-Objective
Variable Block Insertion Heuristic
(MOVBIH)
2 Utama
(2019b)
Energy
Consumption Heuristic NEH dan CDS
3 Schulz
(2018) Energy Cost Metaheuristic Genetic Algorithm
4
Oliva, El Aziz, and Hassanien
(2017)
solar energy Metaheuristic
Chaotic Whale Optimization
Algorithm
5
Liu and Huang (2014)
Power Consumption
& Carbon Footprint
Heuristic genetic algorithms
6
Shrouf, Ordieres-
Meré, García- Sánchez,
Energy
Consumption Heuristic genetic algorithms
and Ortega- Mier (2014)
7
Wang, Li, Gao, and Li
(2019)
Makespan &
Total Energy Consumption
Metaheuristic
Multi-Objective Whale Swarm
Algorithm
8 Assia (2019) Total Energy
Consumption Heuristic
9
Mansouri, Aktas, and Besikci
(2016)
Makespan &
Energy Consumption
Heuristic
heuristic with CPLEX through
statistical experiments
10
Dai, Tang, Giret, Salido, and
Li (2013)
Makespan &
Energy Consumption
Heuristic FFS
genetic-simulated annealing algorithm
