Pareto Set Learning Through Genetic Programming for Multiobjective Dynamic Scheduling

doi:10.1109/TEVC.2025.3568375

Pareto Set Learning Through Genetic Programming for Multiobjective Dynamic Scheduling

2025-05-09

0

PRE

AI

DOI：10.1109/TEVC.2025.3568375

原文链接

原文求助

摘要

En 中文

多目标动态柔性作业车间调度(MO-DFJSS)问题是现代制造业中的关键问题，影响生产率和运营成本。遗传编程(GP)因其能够进化出实时负责且有效的调度启发式方法，已成为MO-DFJSS的一种突出方法。然而，现有的GP方法通常为帕累托前沿的不同区域学习多个启发式方法，使得在实际应用中的管理和选择变得复杂。本文提出了一种新的帕累托集学习遗传编程(PSLGP)框架，通过基于用户偏好学习一个涵盖整个帕累托前沿的单个偏好条件启发式方法来解决这一局限性。这简化了调度，并允许根据用户定义的优先级进行实时调整。该框架采用了一种新的偏好条件启发式表示方法，将用户偏好作为附加输入纳入其中，从而实现动态启发式调整。为在不增加训练时间的情况下高效评估适应度，使用代理模型来估计个体在不同偏好下的性能，并设计了三种新的适应度聚合策略以确保启发式方法在帕累托前沿上的有效对齐。实验结果表明，PSLGP显著优于当前最先进的多目标GP方法，特别是在不太繁忙的MO-DFJSS环境中，为动态调度挑战提供了更灵活高效的解决方案。对偏好影响、解分布和启发式结构的进一步分析表明，所提出的PSLGP能够有效地学习与帕累托前沿各区域对齐的用户偏好的调度启发式方法。

Keyword:

Automatic learning

genetic programming (GP)

job shop scheduling

Pareto set learning

scheduling heuristics

Pareto Set Learning Through Genetic Programming for Multiobjective Dynamic Scheduling

摘要

期刊

机构

引用论文