PGU-SGP：一种表型-基因型统一遗传程序方法用于实用集装箱港口卡车调度

数据驱动的遗传程序（GP）在动态和不确定环境下的组合优化问题中已被证明具有高度有效性。核心挑战在于大型训练数据集上的快速适应度评估，尤其是对于涉及耗时仿真的复杂现实问题。虽然已应用基于表型特征（PC）的K近邻（KNN）等替代理模型以降低计算成本，但PC-based相似度度量仅限于行为特征，忽略了基因型差异，这会限制替代理模型的质量并影响性能。为此，本文提出一种表型-基因型统一替代理模型GP算法PGU-SGP，通过集成表型和基因型特征（GC）来增强替代理模型的样本选择和适应度预测。提出一种新型统一相似度度量，结合PC和GC距离，并提供一种有效且高效的GC表示方法。实验结果表明，PGU-SGP在解决实际车辆调度问题时，训练时间约降低76%，且与传统GP方法性能相当。在相同训练时间下，PGU-SGP在大多数数据集上均显著优于传统GP和目前最先进的算法。此外，PGU-SGP通过保持准确的适应度排序和恰当的选择压力，实现了更快的收敛速度并改善了替代理模型的质量，进一步验证了其有效性。