基于强化学习的元启发式动态算子管理：在置换流车间调度问题中的应用

Aug, 2024

基于强化学习的元启发式动态算子管理：在置换流车间调度问题中的应用

Dynamic operator management in meta-heuristics using reinforcement learning: an application to permutation flowshop scheduling problems

HTML

PDF

Maryam Karimi Mamaghan, Mehrdad Mohammadi, Wout Dullaert, Daniele Vigo, Amir Pirayesh

TL;DR本研究解决了传统元启发式方法中动态算子管理不足的问题。通过基于强化学习的支持，提出了一个灵活的框架，自动选择适合的搜索算子，消除了对专家输入的需求。在置换流车间调度问题中的应用结果表明，该框架在最优性差距和收敛速度方面优于现有的先进算法。

Abstract

This study develops a framework based on Reinforcement Learning to dynamically manage a large portfolio of search operators within Meta-heuristics. Using the idea of tabu search, the framework allows for continuo

发现论文，激发创造

使用动态算法配置学习启发式选择

通过动态算法配置和强化学习，可以使用多个启发式方法进行规划，并考虑内部搜索动态，以选择最有用的启发式方法，在一定程度上可以大幅提高启发性搜索的性能。

Jun, 2020

利用深度强化学习进行自适应大邻域搜索的运算符选择

本文提出了一种基于深度强化学习算法的算子选择方法，旨在提高Adaptive Large Neighborhood Search（ALNS）算法的解题质量，实证结果表明，与基于机器学习的算法相比，所述方法训练次数更少，对小型问题与大型问题都能有效提高问题解决效率。

Nov, 2022

ALNS元启发式算法的操作员选择的图形强化学习

本文探讨了ALNS方法的一个开放性问题，提出了以Deep Reinforcement Learning和Graph Neural Networks为基础的实用方法，并将运算符选择问题形式化为Markov决策过程，该方法基于当前解决方案条件选择运算符，与经典的ALNS方法相比，该方法在运算符选择方面表现更好。此外，本文还讨论了运算符组合的大小以及运算符选择尺度的影响等重要因素，该方法还可以节省手工制作问题特定运算符组合的时间和劳动成本。

Feb, 2023

局部最优关联辅助自适应算子选择

本文研究结合局部最优相关性对搜索算子与适应性操作选择的影响，并提出了一种新方法来提高在解空间中发现最优解的效率。该方法的性能优于常用的自适应算子选择方法。

May, 2023

利用潜在空间搜索的组合优化与策略适应

使用强化学习构建基于启发式方法的优化算法，通过预训练具有多样性的策略分布来优化搜索过程，在三个经典问题上实现了更好的性能和泛化能力。

Nov, 2023

排列进化算子的调查与分析

对组合优化问题的演化操作符与排列进行了调查和分析，使用了开源Java库Chips-n-Salsa实现并在人工适应度景观上进行了实证分析。

Nov, 2023

利用广义经验的自适应操作符选择

通过强化学习提出并评估了一种新的方法来帮助开发通用框架，用于获取、处理和利用即时和未来使用的经验，以解决优化问题和平衡探索和开发之间的挑战。