Apr, 2022

基于 MAP-Elites 的超启发式方法解决资源约束项目调度问题

PDF
TL;DR该论文提出了一种基于 MAP-Elites 的超启发式方法，用于自动发现 RCPSP 的高效优先级规则，并与传统的 GPHH 和人类专家的优先级规则进行比较，结果表明该方法在多样性和性能方面都有显著改进。
resource constrained project scheduling problemhyper-heuristicmap-elitespriority rulesdiversity
发现论文，激发创造
  • 基于遗传约束编程的资源受限作业调度

    提出了一种遗传规划算法，用于发现资源约束作业调度的约束规划的高效搜索策略，通过进化程序表示变量选择器，并通过质量评估方案确定其适应度，结果显示进化的变量选择器能够显著提高约束规划的效率。

    Feb, 2024

  • 基于约束编程的作业车间调度问题的端到端强化学习方法

    本文提出了一种基于约束编程（CP）和强化学习（RL）的端到端解决调度问题的方法，通过神经网络架构和训练算法，仅需要一些调度问题的约束编码和一组小实例，我们的方法在七个 JSSP 数据集上进行了评估，并展示了其在相同时间限制内找到比静态 PDRs 和 CP 求解器更高质量的解决方案的能力。

    Jun, 2023

  • 基于强化学习的超启发式方法增强列生成在车辆路径规划与调度问题中的应用

    基于强化学习的超启发式框架，在列生成中提供更好的整数解和加速收敛，通过减少含潜在最优解边的网络规模，在解决车辆路径和巴士司机调度问题中比传统方法降低至多 27.9% 和 15.4% 的总成本。

    Oct, 2023

  • 一种强化学习方法用于通过排序交换提高泛化性能的调度问题

    本文介绍了一种使用 DRL 求解 JSSP 问题的新方法，该方法使用了 PPO 算法并在环境中加入了 OSM 以实现更好的泛化学习，并在可用的基准实例集上进行了深入的性能分析和比较。

    Feb, 2023

  • 异构多处理器系统下带内存约束的数据分配和任务调度的一种启发式方法

    本文主要研究在共享内存平台下内存限制下数据分配和任务调度问题，提出了一个整数线性规划模型和基于禁忌搜索算法的可行解决方案，并在随机生成的实例上验证了该方法的有效性。

    May, 2022

  • 强化学习的模因算法用于社技生产调度

    本文介绍了一种利用深度强化学习应用的模因算法，用于解决实践中的双重资源约束柔性作业车间调度问题，并提出一种用于多标准优化的并行计算混合框架。通过实践证实，该框架使用 DRL 可以产生更好的结果，并优于传统方法。

    Dec, 2022

  • 多准则启发式评分估计

    本文介绍了一种将启发式评估法集成到层次分析法层次框架中的方法，并提供了多种决策制定的例子。

    May, 2022

  • 一种新颖的基于进化的神经模糊任务调度方法，用于共同优化异构 MPSoCs 的主要设计挑战

    提出了一种基于模糊神经网络（FNN）及 NSGA-II 进化多目标算法的在线任务调度和映射方法，以共同优化异构 MPSoC 的主要设计挑战。通过实验验证，该方法优于相关启发式和元启发式方法，可以提高温度，功耗，故障率和执行时间等几个设计指标的优化性能。

    Mar, 2022

  • 残余调度：解决工作车间调度问题的新强化学习方法

    本论文提出了一种名为 “残余调度” 的新方法，用于解决作业车间调度问题和灵活作业车间调度问题。实验证明，该方法在大多数著名的开放式作业车间调度问题和灵活作业车间调度问题基准测试中达到了最先进的水平。此外，研究还观察到，尽管该模型是针对较小规模的调度问题进行训练的，但在大规模调度问题上仍然表现良好。有趣的是，在实验中，该方法甚至在 20 台机器上有 150 个以上作业的 50 个作业车间调度实例中，有 49 个实例达到了零间隔。

    Sep, 2023

  • 通过精英映射技术照亮搜索空间

    描述了一种基于 Multi-dimensional Archive of Phenotypic Elites (MAP-Elites) 算法的多目标搜索优化算法，该算法通过生成高性能解的分布图，帮助用户更好地分析最佳解的属性及其效果。

    Apr, 2015