ETO Meets Scheduling: Learning Key Knowledge from Single-Objective Problems to Multi-Objective Problem

要約

進化的伝達最適化(ETO)は「進化的計算研究の新たなフロンティア」として機能し、従来の進化的計算で解決された問題からの経験と知識のゼロ再利用を回避します。
ETO を介したアプリケーションのスケジューリングでは、インテリジェント スケジューリングとグリーン スケジューリングの両方に向けて、特に中国の文脈におけるカーボン ニュートラルに向けて、それらの間の非常に競争力のある「会議」フレームワークを構築することができます。
私たちの知る限り、ここでのスケジューリングに関する研究は、(マルチタスク最適化ではなく) 組み合わせの場合に多目的問題が単一目的問題と「出会う」場合の複雑な最適化に関する ETO の最初の研究です。
より具体的には、クラスター化された位置ビルディング ブロックなどの重要な知識は、順列フロー ショップ スケジューリング問題 (PFSP) のために学習および転送できます。
よく研究されたベンチマークに関する実証研究により、私たちが提案する ETO-PFSP フレームワークの比較的確実な有効性と大きな可能性が検証されています。

要約(オリジナル)

Evolutionary transfer optimization(ETO) serves as ‘a new frontier in evolutionary computation research’, which will avoid zero reuse of experience and knowledge from solved problems in traditional evolutionary computation. In scheduling applications via ETO, a highly competitive ‘meeting’ framework between them could be constituted towards both intelligent scheduling and green scheduling, especially for carbon neutrality within the context of China. To the best of our knowledge, our study on scheduling here, is the 1st work of ETO for complex optimization when multiobjective problem ‘meets’ single-objective problems in combinatorial case (not multitasking optimization). More specifically, key knowledge like positional building blocks clustered, could be learned and transferred for permutation flow shop scheduling problem (PFSP). Empirical studies on well-studied benchmarks validate relatively firm effectiveness and great potential of our proposed ETO-PFSP framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google