NDP-GA：一种新的遗传算法及其在车间调度中的应用

"基于NDP的遗传算法及其在JSP中的应用 (2006年)，作者金锋、宋士吉、吴澄，发表于《清华大学学报(自然科学版)》2006年第46卷第4期，研究涉及遗传算法、神经元动态规划（NDP）、车间作业调度（JSP）以及Q-learning等关键词，是自然科学领域的论文，由国家"九七三"、自然科学基金和"八六三"高技术项目资助。" 本文主要探讨了在解决车间作业调度问题（JSP）中，如何有效优化遗传算法的性能。JSP是一个复杂的组合优化问题，通常涉及到多个任务在有限的机器资源上进行调度，以达到最小化总完成时间或最大化生产效率的目标。遗传算法是一种启发式搜索方法，模仿生物进化过程，通过选择、交叉和变异操作来搜索解决方案空间。然而，遗传算法的性能很大程度上取决于其参数设置，包括种群大小、交叉概率、变异概率等，这些参数的最优值往往难以确定。 为了解决这个问题，研究者引入了神经元动态规划（NDP）。NDP是一种强化学习方法，可以用来近似解决Markov决策过程（MDP）中的最优策略。MDP是一种用于描述有状态的随机决策过程的数学框架。研究者将遗传算法转化为一个MDP模型，建立了MDP的最优策略与遗传算法最优参数之间的关系。然后，利用NDP来逼近MDP的最优策略，这个学到的策略可以指导遗传算法的参数选择，使其能够自动收敛到最优配置。 通过数值计算，论文验证了NDP-GA算法的有效性。实验结果显示，该算法不仅能够自动找到最优遗传参数，而且在解决JSP问题时，能保持稳定，提供令人满意的解决方案。这表明，结合NDP的遗传算法为解决JSP问题提供了一个新的、有效的途径，同时也为其他复杂优化问题的求解提供了启示。 这篇论文提出了一种创新的NDP-GA算法，解决了遗传算法在JSP问题中参数优化的难题，为遗传算法在实际应用中的性能提升开辟了新的研究方向。同时，这种结合强化学习的方法对于理解智能优化算法的参数调整策略也具有理论价值。