强化学习增强遗传算法

调度性能超越基准

该算法将强化学习与NSGA-II结合，动态调整遗传算子，在石化生产调度中显著减少过渡产品和交付延迟。

Lee, Chia Yen · Chieh-Ying, Ho · Hung, Yuhsin · Yu-Wen, Deng

Applied Soft Computing Journal 2024

技术优势

超越基准算法

NSGAeRL通过强化学习动态调整交叉和变异参数，从而比标准基准算法表现更好。

减少过渡产品

利用调度参考表生成高效初始解，使过渡产品产量减少。

动态调参

通过基于模型的马尔可夫决策过程，动态调整遗传算法的交叉和变异机制。

应用场景

• 生产调度优化：用强化学习动态调整遗传算子，减少过渡产品和延迟。
• 石化行业：解决石化生产切换导致产能损失和过渡浪费的问题。
• 多目标优化：同时最小化过渡产品量和交货延迟两个目标。
• 智能优化算法：将强化学习嵌入NSGA-II，实现调度问题的智能求解。