arXiv 论文提出代理辅助遗传规划，用于动态车间调度的终身学习
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文针对动态柔性作业车间调度（DFJSS）中遗传规划学到的调度规则泛化能力有限、在新任务上微调会丢失旧知识的问题，提出一种代理辅助的遗传规划终身学习方法，处理作业到达或批量到达的序列异构任务。框架包含三部分：平衡可塑性与稳定性的自适应两阶段训练策略、按任务相似度调节知识复用的加权机制、带距离约束的改进代理模型。实验显示该方法缓解了灾难性遗忘并保持适应性，优于多个对比方法。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
论文关注动态柔性作业车间调度场景下用遗传规划自动学习调度规则的做法。这类规则在训练任务上有效，但通常只在规模和分布相近的任务上表现良好；一旦任务特征改变，规则效果会明显下滑。若把预训练规则放到新任务上继续微调，又容易出现灾难性遗忘，先前积累的知识被覆盖。作者由此提出把终身学习范式引入遗传规划，让方法在适应新任务的同时保留过去学到的内容，并指出这一方向此前研究较少。
方法的三块组成
论文提出的框架面向按顺序到来的异构调度任务，任务类型包括作业到达与批量到达两种情形。框架由三个组件构成：一是自适应两阶段训练策略，用于在可塑性与稳定性之间取得平衡，即既能学新任务又不破坏旧能力；二是基于任务相似度的加权机制，用来调节旧知识在新任务上的复用程度；三是带距离约束的改进代理模型，目的是提高对规则性能的估计精度，减少遗传规划评估所需的真实仿真开销。
实验结果与定位
实验结果显示，该方法在缓解灾难性遗忘的同时保持了较强的适应性，并在与多个对比方法的比较中取得更好表现。作者据此说明终身遗传规划在动态调度环境中的应用潜力。论文以预印本形式发布在 arXiv 的 cs.AI 分类下，除摘要与实验结论外，材料未给出具体任务规模、对比方法名称和量化提升幅度。
为什么值得看
把终身学习引入遗传规划调度规则，为任务分布变化下的调度模型复用提供了可参考的训练框架。
微调论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。