arXiv cs.AI· Luyao Zhu, Fangfang Zhang, Yi Mei, Ke Chen, Mengjie Zhang·· 1 天前AI 评分18
代理辅助遗传编程实现动态柔性作业车间调度的终身学习规则
Lifelong Learning of Scheduling Rules with Surrogate-assisted Genetic Programming for Dynamic Flexible Job Shop Scheduling
AI 导读
针对遗传编程学到的调度规则在任务特征变化时性能显著下降、微调又会导致灾难性遗忘的问题，该论文提出一种代理辅助遗传编程方法，用于处理作业或批次到达的序列异构 DFJSS 任务。框架包含自适应两阶段训练策略以平衡可塑性与稳定性、基于任务相似度的加权机制以调节知识复用，以及带距离约束的改进代理模型以提升估计精度。实验表明该方法有效缓解灾难性遗忘并保持较强适应性，优于多个对比方法。
正文 · AI 翻译
摘要：遗传规划（GP）已被广泛用于学习动态柔性作业车间调度（DFJSS）的调度规则。然而，训练得到的规则往往只能泛化到规模与分布相似的任务，当任务特征发生变化时，已学规则的性能常常会显著下降。此外，在新任务上微调预训练规则往往会导致灾难性遗忘，即丢失先验知识。这促使我们需要能够适应新任务同时保留过往知识的 GP 方法，从而引出了终身学习范式。然而，GP 在 DFJSS 中的终身学习研究仍很大程度上处于探索不足的状态。为填补这一空白，本文提出了一种用于终身学习的代理辅助 GP 方法，以处理具有工件或批次到达的序列异构 DFJSS 任务。该框架包含三个关键组成部分：一种用于平衡可塑性与稳定性的自适应两阶段训练策略、一种用于调节知识复用的基于任务相似性的加权机制，以及一种带有距离约束的改进代理模型以提升估计精度。实验结果表明，所提方法在保持较强适应性的同时有效缓解了灾难性遗忘，优于若干对比方法，并展示了终身 GP 在动态调度环境中的潜力。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41158 [cs.AI] |
| （或 arXiv:2610.41158v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41158 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Luyao Zhu [查看邮箱]
[v1]
2026年10月30日星期五 02:33:43 UTC（582 KB）
来源：arXiv cs.AI · arxiv.org