面向可变任务流的海港动力-物流调度：Predict-then-Optimize的跨任务泛化

现代海港的动力-物流调度通常遵循预测-优化管道。为提升预测模型的决策质量，已提出决策聚焦学习，该方法将预测模型的训练与下游决策结果对齐。然而，这种端到端设计本质上限制了预测模型的价值仅用于特定任务结构，因而难以泛化到由各异海港船舶到达引起的演变任务。我们通过一个面向调度任务流的决策聚焦持续学习框架来弥补这一差距，该框架能够在线适应不断演变的任务。具体而言，我们引入基于Fisher信息的正则化，以通过保持先前任务中关键参数来增强跨任务泛化。我们还开发了一个可微的凸 surrogate 以稳定梯度反向传播。该方法使我们能够在可持续的长期计算负担下，对一个不断演变的任务流学习一个决策对齐的预测模型。在以 Jurong Port 为基准的实验中，我们的方法在减少计算成本的同时，显著优于现有方法，实现卓越的决策性能和跨任务泛化。