【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：《Multi-objective Dynamic Flexible Job Shop Scheduling with Biased Objectives via Multitask Genetic Programming》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

本文旨在解决现有遗传编程（GP）方法在单目标和多目标的局限，在单目标优化下，使用GP学习简单规则的一个简单有效的方法是限制规则的大小。然而，如何为GP设定适当的限值是非试验性的问题;其次，节俭压力被用来对每个人的适应性进行罚分，大规则可能会因为惩罚而产生不良的适应性。第三，常用的方法是去除冗余分支。然而，检测冗余分支是一项具有挑战性的任务，可能会影响规则的有效性;对于传统的基于支配关系的多目标算法，搜索偏向于规则大小，因为规则大小比有效性更容易优化，并且较大的规则很容易被放弃，从而导致有效性的丧失。

2.相关创新方案

(1)本文旨在提出一种新的基于知识共享的框架，以提高基于α优势的多目标GP通过多任务学习获得的小规则的有效性。

(2)本文采用所提出的规则大小范围决定策略，通过多任务学习，开发了一种新颖有效的多目标GP算法。

(3)本文提出的方法足以维持路由规则和行序列规则规则目标大小。

3.实验总结

本文成功地开发了一种有效的多目标GP算法来学习带有偏目标的DFJSS调度启发式算法。本文提出的算法使用了一种多任务学习机制，在a-优势关系和传统优势关系之间共享知识。该算法在帕累托前沿的DFJSS调度启发式方面优于目前最先进的算法。它通过多任务学习，使用了一种更简单但更有效的多目标GP，消除了a-优势多目标算法对存档的需要。通过规则大小和种群多样性验证了学习到的调度启发式的质量和用于性能改进的知识共享机制。提出的算法进化出类似或稍大的调度启发式，包括路由排序规则，与最先进的技术相比。提出的算法保留了早期探索的多样化种群，并保持了有效开发的多样性，优于最先进的算法。

4.未来工作

未来的研究可以分别探索路由和排序规则的大小，并以三个目标为多目标优化建模。此外，我们将研究具有各种偏差目标的多目标优化。

报告时间：2025年09月05日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)