在2015年1月的《IEEE Transactions on Cybernetics》第45卷第1期上，一篇名为“自动编程通过迭代局部搜索应用于动态车间调度”的论文提出了一个创新的方法来解决动态作业车间调度问题。动态作业车间调度是工业生产中的一个重要挑战，因为它涉及到多个任务（加工顺序）和多个机器之间的复杂交互，每个系统都有其独特的特性，导致没有一种通用的调度规则能适应所有情况。因此，设计特定环境下的优化调度规则对于提高生产效率至关重要。
传统的做法是使用固定的调度规则，但这种方法往往无法充分考虑所有可能的约束和优化目标。为了克服这一局限性，研究者们探索了进化计算技术，如基于树的遗传编程（Tree-Based Genetic Programming, TGP）和基因表达编程（Gene Expression Programming, GEP），这些方法试图通过自动化的方式设计调度规则，以降低人为设计的复杂性和提高算法的适应性。然而，这些技术仍然存在计算成本高和搜索效率低的问题。
针对这些问题，作者提出了一种新的自动编程方法——通过迭代局部搜索（Automatic Programming via Iterated Local Search, APRILS）。APRILS的主要思想是结合局部搜索策略的优势，即在局部最优解区域进行深度挖掘，同时利用全局搜索的灵活性，通过迭代的方式不断更新和优化调度规则。这种方法旨在减少计算负担，提高算法的收敛速度和寻找优良解的能力。
APRILS通过以下几个关键步骤实现动态作业车间调度：
1. **初始化**：通过现有的调度规则或随机生成初始的调度策略。
2. **局部搜索**：在当前调度方案附近进行微小调整，比如改变任务的执行顺序、机器分配等，寻找局部最优解。
3. **评估与选择**：评估新找到的调度方案对生产效率、延迟等指标的影响，根据一定的评价函数决定是否接受该解。
4. **迭代更新**：如果新解表现优于旧解，将其作为新的起点，否则应用更复杂的局部搜索策略，直到达到预设的停止条件或达到满足要求的性能水平。
5. **全球搜索与融合**：周期性地引入全局搜索策略，例如随机变异或重组操作，以跳出局部最优，避免陷入局部最优陷阱。
APRILS的优势在于它能够在保证搜索效率的同时，提供更加适应特定制造环境的调度规则，从而显著改善动态车间调度问题的解决方案。这种方法的潜在应用包括汽车制造业、电子产品组装线等具有高度动态性的生产环境，有助于提升生产效率和降低生产成本。
我的内容管理
展开
