Optimizing Dynamic Flexible Job Shop Scheduling Using an Evolutionary Multitask Optimization Framework and Genetic Programming

Xiaolong Chen

doi:10.1109/TEVC.2025.3543770

Optimizing Dynamic Flexible Job Shop Scheduling Using an Evolutionary Multitask Optimization Framework and Genetic Programming

2025-01-01

0

PRE

AI

DOI：10.1109/TEVC.2025.3543770

原文链接

原文求助

摘要

En 中文

在Industry 5.0背景下，智能可持续制造范式的演进强调适应性、连通性和数据驱动的决策制定，推动了动态柔性作业车间调度问题（DFJSSP）成为关键研究领域。DFJSSP涉及在高度动态和不确定的制造环境中调度作业，新任务的持续引入进一步复杂化了调度过程。本研究将DFJSSP扩展至包含单吊车运输和序列依赖的设置时间，以反映实际制造约束。为解决这一多面性问题，我们提出了一种新型方法，即基于多群体的进化多任务优化（EMTO）框架。此外，采用遗传编程算法作为生成式超启发式方法，以应对车间动态不确定性。两个组件协同优化两个目标，即最小化最大完工时间和总 tardiness。进一步提出动态转移率，允许知识转移比例在迭代过程中自适应调整，平衡收敛速度与种群多样性。结果表明，EMTO框架和动态转移率均显著提升了算法性能。与知名构造性启发式方法和强化学习算法相比，所提方法能够并行求解多个优化目标，在动态制造环境中实现调度效率与适应性的提升。

Keyword:

Dynamic flexible job shop scheduling problem (DFJSSP)

evolutionary multitask optimization (EMTO)

genetic programming (GP)

hyperheuristics

Optimizing Dynamic Flexible Job Shop Scheduling Using an Evolutionary Multitask Optimization Framework and Genetic Programming

摘要

期刊

机构

引用论文