.png){kind=icon}
返回
Reinforcement learning enhanced swarm intelligence and trajectory-based algorithms for parallel machine scheduling problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cie.2025.110948.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为机器学习方法之一，强化学习（RL）在众多研究领域带来了显著的创新。在几种RL策略中，学习通过一个代理（agent）进行，该代理是一个与环境交互的虚拟实体。根据所采取行动的结果，代理会获得奖励或惩罚。这些机制可以应用于多种方法中的辅助流程，例如元启发式算法，这些算法已被证明对RL策略具有巨大潜力。鉴于此，本研究介绍了一种两阶段方法，用于解决具有释放时间和序列相关设置时间的并行机器调度问题（PMSP），该问题在现实生活中具有广泛应用。在所提出方法的第一阶段，包含一种RL增强的粒子群优化（PSO）算法。该阶段最显著的贡献在于，所提出的PSO能够根据系统状态自动调整其参数和系数。因此，无需预先设置或校准参数。在第二阶段，PSO找到的最佳解被传递给一种迭代贪婪搜索（IGS）算法，这是一种杰出的基于轨迹的元启发式算法。因此，IGS尝试进一步优化PSO找到的初始解。所有综合实验研究获得的结果均通过适当的统计检验得到验证。本研究的结果表明，所采用的RL有助于提高所提出方法对PMSP的效率。其次，标准的IGS可以被认为是一种具有竞争力的算法，归因于其下降局部搜索过程。
Keyword:
Reinforcement learning
Iterated greedy search
Particle swarm optimization
Parallel machine scheduling problems
Machine learning
期刊
IF:
6.5
论文数:
1.0W
被引数:
3.8W
机构
引用论文
Genetic programming-based hyper-heuristic approach for solving dynamic job shop scheduling problem with extended technical precedence constraints基于遗传编程的超启发式方法，用于解决具有扩展技术优先约束的动态车间调度问题
.png){kind=icon}
PREAI
分享收藏分享收藏
查看更多内容