.png){kind=icon}
返回
Matrix and Learning-Assisted Distributed Dual-Space Memetic Algorithm for Customized Distributed Blocking Flowshop Scheduling Problem
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2024.3519774.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
与现有的分布式流水车间调度问题（DFSPs）相比，本文探讨了一个更具现实性的DFSP，该问题进一步整合了机间阻塞约束以及装配和差异化两个定制化加工阶段。制造过程包括分布式阻塞流水车间的工件制造、在装配机上的工件至产品装配，以及在差异化机器上的产品精细加工。提出了一种新颖的进化框架，包括连续空间探索、离散空间开发以及双空间知识迁移。该框架具有分布式、文化进化及双空间协同进化的先进特性，可作为统一模型构建针对不同优化问题的算法。基于此进化框架，提出了一种矩阵与学习辅助的分布式双空间文化算法（DDMA）以解决所研究的问题。在DDMA中，探索性种群以实值矩阵表示，个体被定义为不同的身份，这些身份将随进化动态调整。根据身份差异，探索性种群在连续搜索空间中由矩阵辅助进化优化器进行异质进化。开发性种群由精英个体组成，以离散排列表示。它与探索性种群并行进化，并在离散搜索空间中由学习辅助进化优化器进行进化，包括基于强化学习的多邻域局部搜索和基于统计学习的增强局部搜索。为传递探索与开发所获得的优越进化信息，基于迁移对种群多样性的影响，提出了一种自适应知识迁移策略，跨越连续和离散搜索空间。计算结果表明，DDMA在性能上优于当前最先进的算法。
Keyword:
Differentiation flowshop
distributed flowshop scheduling
distributed memetic algorithm (MA)
matrix computation
reinforcement learning (RL)
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
查看更多内容