28、基于学习的自动化算法选择与空中交通管制相关研究

基于学习的自动化算法选择与空中交通管制相关研究

1. 自动化算法选择方法

在作业车间调度中，提供合适的算法不仅能降低生产成本，还能提高生产效率。目前已实现了遗传算法（GA）、人工蜂群算法（ABC）和模拟退火算法（SAA）等算法的选择与参数配置。

1.1 整体框架

对于不同的作业车间调度（JSP）实例，算法选择器会从算法库中挑选最合适的算法，并配置其参数。具体步骤如下：
- 让每个算法以不同的参数值运行，记录运行时间和优化效果。
- 为每个算法训练两个模型，分别预测运行时间和优化效果。
- 以这两个模型作为适应度函数，通过多目标遗传算法得到算法库中每个算法的帕累托最优解，从中选出最合适的唯一解。
- 比较不同算法的唯一解，为用户选出最完美的推荐算法。

1.2 基于学习的算法评估建模

使用TensorFlow机器学习库构建上述模型，采用具有输入层、隐藏层和输出层的BP神经网络模型。模型的输入包括作业数量、机器数量和几个算法参数的值，输出为运行时间或优化效果。
在训练模型时，使用了最大 - 最小归一化和指数衰减学习率。不同输入通常具有不同的维度和单位，会影响数据分析结果，因此需要对一些输入进行归一化，如机器数量、作业数量和种群大小。同时，学习率的设置也很重要，学习率过小会降低收敛速度、增加训练时间，过大则可能导致参数在最优解两侧来回振荡。

1.3 方法的详细步骤

为每个算法的每个参数提供一个选择范围，范围内的可选值称为经验值，这些经验值是通过参考其他文章获得的。将所有参数都设为经验值来运行算法，为防止意外，每个案例运行十次，取运行时间和优化效果的