13、基于Flowshop NEH的启发式推荐

基于Flowshop NEH的启发式推荐

1. 引言

流水车间问题（FSPs）是NP难问题的一种，广泛存在于制造、物流等领域。它指的是在多个机器上顺序加工多个工件，以最小化工件完成时间或其它目标。面对FSPs，许多研究者提出了不同的启发式算法来解决这些问题。然而，选择合适的启发式算法及其参数对于实践者来说是一个巨大的挑战。本文将介绍一种基于Nawaz、Encore和Ham（NEH）算法的逐实例算法配置（PIAC）方法论，旨在自动配置NEH算法以适应特定的FSP实例，并展示其实验结果。

2. 流水车间问题的背景

流水车间问题（FSPs）是经典的调度问题之一，具有重要的理论和实际意义。FSPs可以分为多种变体，如单机流水车间、多机流水车间等。这些变体在不同的应用场景中具有各自的特点和难点。在文献中，针对FSPs提出了大量的启发式算法，例如遗传算法、模拟退火、蚁群优化等。然而，这些算法的效果往往取决于具体的实例特征和参数设置。因此，如何为给定的FSP实例选择最佳的启发式算法及其参数成为了一个亟待解决的问题。

3. 逐实例算法配置（PIAC）

逐实例算法配置（PIAC）是一种针对特定问题实例选择和配置算法的方法。PIAC的核心思想是通过对问题实例的特征进行分析，构建一个性能数据集（问题特征↔算法配置），进而训练模型以推荐适合该实例的算法配置。PIAC方法论不仅可以提高算法的性能，还可以减少人工调参的时间和精力。

3.1 构建性能数据集

为了实现PIAC，首先需要构建一个性能数据集。该数据集包含问题实例的特征和对应的算法配置。具体步骤如下：

1. 特征提