34、结合学习与GPU的混合遗传算法在调度问题中的进展

结合学习与GPU的混合遗传算法在调度问题中的进展

1. 引言

在现实世界的优化问题中，存在许多组合优化问题（COPs），这些问题伴随着复杂结构、非线性约束和多目标等难题。制造调度作为重要且复杂的COP模型，对制造过程的生产力有着重大影响。大多数调度问题属于NP难组合问题，传统优化技术难以处理。

调度可描述为n个操作需由m个资源执行，处理时间因资源可用性而异。其目标是通过为每个操作选择合适资源、确定资源操作顺序和开始时间，找到性能最佳的调度方案。

遗传算法（GA）是一种受种群遗传学机制和自然选择原理启发的随机搜索算法，与传统搜索技术不同，它处理一组解（种群），通过迭代使解不断进化，最终收敛到接近最优的解。GA具有诸多优势，如无需过多问题的数学性质和领域知识，能处理复杂问题，在全局搜索方面表现出色，还可与特定领域启发式方法结合。

传统并行GA多运行于多核机器、大规模并行集群或网格计算环境。近年来，通用图形处理单元（GPGPU）的发展使并行GA有了新的加速方式。GPU成本低、并行性强，能以单指令多线程方式执行数千个线程，使基于实时的优化问题求解成为可能。下面将介绍相关研究进展和一个列车调度问题的案例。

2. GPU加速遗传算法的文献综述

早期基于GPU和CUDA（计算机统一设备架构）的并行GA工作，多是将CPU方法扩展到GPU，由于对GPU计算架构的基本特征理解不足，未能充分发挥其计算能力。以下是部分相关研究：
| 作者（年份） | 问题模型 | 进化算法 | 期刊/会议 |
| — | — | — | — |
| Munawar等（2009） | Max - Sat问题 | GA &