.png){kind=icon}
返回
Learning-Driven Portfolio-Island Decoding for Adaptive Scheduling Problems
.png){kind=icon}
PRE
AI
DOI：10.1142/S021821302650003X.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成化生产-运输调度与移动机器人的紧密耦合制造操作和内部物流，导致复杂的决策交互，挑战了传统的优化方法。许多现有的进化框架在整个搜索过程中依赖单一的解码策略，限制了其适应异构实例结构和动态调度特性的能力。本文介绍了一种学习驱动的投资组合-岛屿框架，将关注点从设计新算子转向学习在搜索过程中哪些解码策略最为有效。多个异构解码器在独立的岛屿上并行进化，同时一个置信上限多臂赌博机持续评估它们对完工时间改进的贡献，并动态重新分配种群资源以平衡探索与利用。所提出的框架在多种调度设置下进行了评估，包括纯完工时间最小化和扩展的生产-运输协调场景。在基准数据集上的计算实验表明，与单解码器方法相比，投资组合学习机制持续改善了解的质量和收敛稳定性，尤其对于大型和结构多样化的实例。这些结果突显了自适应解码器选择作为移动机器人支持制造系统中鲁棒且可扩展调度的一种强大机制，为生产环境中的智能决策提供了基础。
Keyword:
Adaptive decoder selection
portfolio-based evolutionary search
online learning for scheduling
multi-armed bandit control
island model cooperation
