学习辅助超启发式调度算法

动态调度更高效

将学习概率模型融入遗传编程超启发式，动态分布式调度中展现出比传统规则和元启发式更强的适应性与效率。

罗林 · 颜雪松 · 胡成玉 · 高亮

IEEE Transactions on Systems, Man, and Cybernetics: Systems 2026

技术优势

动态事件同时处理

同时考虑机器故障和作业恶化，生成启发式时充分利用这两类不确定事件信息，避免只针对单一扰动的局限。

规则选择更聪明

引入学习概率模型动态优化GP生成规则的选用，使算法在不同实例和动态场景下都能自动选出更有效的调度规则。

全面超越现有方法

数值实验表明，算法在所有测试实例上均优于传统GP超启发式、基准规则和四种高效元启发式，验证了其稳定优势。

应用场景

• 智能调度：提供能自动应对故障和恶化的智能调度规则生成方法。
• 生产优化：通过缩短制造周期（makespan）提升分布式生产整体效率。
• 工业调度系统：可直接嵌入现有工业系统，替代传统规则处理动态事件。
• 动态环境决策：在机器故障和作业恶化同时出现时提供高效调度决策。
• 智能工厂物联网：为智能工厂中的动态生产数据提供实时的调度优化方案。