遗传编程演化调度规则在动态柔性作业车间调度中的泛化能力研究
人工智能
2026-01-23 v1
摘要
动态柔性作业车间调度（DFJSS）是一个复杂的组合优化问题，需要在动态生产环境中同时做出机器分配和工序排序决策。遗传编程（GP）已被广泛应用于自动演化DFJSS的调度规则。然而，现有研究通常在同一类型的DFJSS实例上训练和测试GP演化的规则，这些实例仅在随机种子上有所不同，而非在结构特征上，这使得它们的跨类型泛化能力在很大程度上未被探索。为填补这一空白，本文系统地研究了GP演化调度规则在不同DFJSS条件下的泛化能力。我们跨越多个维度进行了一系列实验，包括问题规模（即机器和作业的数量）、关键的作业车间参数（如利用率水平）以及数据分布，以分析这些因素如何影响GP在未见过的实例类型上的性能。结果表明，当训练实例包含的作业数量多于测试实例且机器数量固定时，以及当训练和测试实例具有相似的规模或作业车间参数时，会出现良好的泛化。进一步分析揭示，DFJSS实例中决策点的数量和分布在解释这些性能差异方面起着至关重要的作用。相似的决策点分布会带来更好的泛化，而显著的差异则导致性能明显下降。总体而言，本研究为GP在DFJSS中的泛化能力提供了新的见解，并强调了演化出能够有效处理异构DFJSS实例的、更具泛化性的GP规则的必要性。
引用
@article{arxiv.2601.15717,
title = {Investigation of the Generalisation Ability of Genetic Programming-evolved Scheduling Rules in Dynamic Flexible Job Shop Scheduling},
author = {Luyao Zhu and Fangfang Zhang and Yi Mei and Mengjie Zhang},
journal= {arXiv preprint arXiv:2601.15717},
year = {2026}
}