【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：Task Relatedness-Based Multitask Genetic Programming for Dynamic Flexible Job Shop Scheduling

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

（1）第一个问题是如何准确度量任务之间的关联度。

（2）第二个问题是在多任务学习过程中如何选择任务对来传递知识。

2.相关创新方案

（1）本文提出了一种新的基于树的变长表示的GP任务间关联度度量方法。我们首先使用表型特征[34]，[35]来表示每个GP个体的行为与一个固定长度的载体。然后，我们使用当前个体对不同任务的行为分布之间的Kullback-Leibler散度来定义任务之间的相关性度量。

（2）提出了一种新的基于关联度自适应选择辅助任务的多任务GP算法。该算法通过自动度量不同任务之间的关联度，帮助实践者同时获得一组任务的有效调度启发式规则，这在现实世界的应用中具有重要意义。

（3）通过与现有算法的比较，验证了新提出的多任务GP算法在一系列DFJSS问题上的有效性。

3.实验总结

本文的目的是提出一种有效的自适应辅助任务选择策略，用于在任务间关联性未知的DFJSS中为多任务GP选择合适的任务。提出了一种基于表型特征和Kullback-Leibler发散度的任务关联度计算策略，并设计了基于关联度信息的辅助任务选择算法，成功地实现了这一目标。

4.未来工作

在未来，有几个有趣的方向可以进一步研究。我们计划将提出的算法扩展到其他动态组合优化问题，如车辆路径、云调度和在线装箱。我们还将基于固有的问题特征(如适应环境)来调查任务之间的其他更具分析性的相关性度量。目前的GP方法没有考虑关于未来工作的信息。我们会从历史数据中考虑有关未来工作的估计信息(例如设计新的终端)，以进一步提高全科医生培训的有效性。最后，我们将开发一个更先进的知识共享框架，以提高基于任务关联性的知识可传递性。

报告时间：2026年01月09日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)