可学习子代生成器协同进化优化工业工作流多目标调度新方法

《ADVANCED ENGINEERING INFORMATICS》:Task scheduling of many-objective industrial workflow applications via co-evolutionary swarm optimizer with learnable offspring generators

【字体: 大 中 小 】 时间:2026年01月18日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  本文提出一种集成可学习子代生成器的协同进化调度器(LGCEA),针对工业物联网环境下工作流应用的多目标优化问题(MOP),通过历史经验学习和启发式信息挖掘自适应协调多个生成器,并设计基于自适应聚类的排序机制(MaOPs)平衡收敛性与多样性。实验表明该算法在真实工作流场景中优于现有先进方法。

  
研究亮点
针对工业工作流调度中多目标(≥4个目标)协同优化的挑战,本研究开发了基于可学习子代生成器的协同进化算法(LGCEA)。该算法通过竞争性注意力搜索机制构建的智能生成器,与神经网络辅助的在线预测生成器协同探索决策空间,并采用自调节聚类技术(MaOPs)实现高维目标空间的环境选择,显著提升大规模工作流调度效率。
实验研究
通过真实工业场景的广泛实验验证LGCEA的竞争力:首先描述实验配置,随后与先进算法在不同规模实例上对比评估泛化能力;通过消融实验检验内置策略有效性,最后分析关键参数敏感性。
结论
本文研究了包含五个目标的工业云工作流调度问题。为解决传统二/三目标求解器的局限性,我们开发了集成可学习子代生成器的协同进化群优化器,通过历史经验自适应融合多生成器优势,并结合自调节聚类排序策略实现性能突破。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号