《Swarm and Evolutionary Computation》：Instance-driven evolution of constructive heuristic ensemble for the stochastic resource allocation problem with time windows
编辑推荐：
研究人员针对复杂系统中广泛存在的带时间窗随机资源分配问题（Stochastic Resource Allocation Problem with Time Windows, SRA?TW）展开研究。在该问题中，每个资源对每个任务的分配被限制在特定的时间窗口内，
研究人员针对复杂系统中广泛存在的带时间窗随机资源分配问题（Stochastic Resource Allocation Problem with Time Windows, SRA?TW）展开研究。在该问题中，每个资源对每个任务的分配被限制在特定的时间窗口内，任务完成由随时间变化成功概率刻画，目标是最大化任务总期望收益。为满足多样化SRA?TW场景下的实时工程决策需求，研究人员提出了一种多构造式启发式（Constructive Heuristics, CHs）集成方法，既保留了单个CH的计算效率，又利用其互补性提升整体性能。进一步设计了三级实例驱动演化框架（Instance?Driven Evolution Framework, IDEF），由难以求解的SRA?TW实例引导集成的自适应演化。底层采用基于径向基函数网络（Radial Basis Function Network, RBFN）的构造式启发式（RBFN?based CH, RCH），通过增量处理时间约束快速构建可行决策方案；中层提出进化元优化算法（Evolutionary Meta?Optimization Algorithm, EMOA），同时搜索能够求解多实例的RCH集成（Ensemble of RCHs, E?RCH）；顶层通过迭代引入难以处理的实例驱动EMOA生成新的RCH，并结合历史实例对其进行优化，逐步增强泛化能力。实验结果表明，经由IDEF构建的E?RCH能够在多种测试实例中快速构造出具有更高期望收益的决策方案，优于现有相关问题的先进算法。
本研究发表于《Swarm and Evolutionary Computation》，聚焦于带时间窗随机资源分配问题（SRA?TW）的高效求解方法。当前复杂系统控制领域（如国防、可靠性工程、无线通信网络）普遍面临资源分配结果具有随机性的挑战，这类问题被统称为随机资源分配问题（SRA）。当任务具有时间敏感性时，资源分配受限于特定时间窗口，且成功概率随时间动态变化，形成SRA?TW。此类问题涉及离散分配关系与连续赋值时间的混合变量优化，同时存在窗口间与窗口内的耦合约束，导致搜索空间高维且约束复杂。固定求解器往往在特定实例上表现良好，但在异构场景中泛化能力不足。构造式启发式（CH）虽计算高效，但全局优化能力有限且依赖先验领域知识；进化算法（EA）具备全局搜索优势，但收敛速度慢且难以直接生成可行解。因此，亟需开发兼具效率与泛化能力的通用求解方法。
研究人员提出了一种三级实例驱动演化框架（IDEF），通过融合构造式启发式的效率与进化算法的全局搜索能力，构建能够适应多样化SRA?TW场景的RCH集成（E?RCH）。该研究的核心技术方法包括：（1）设计基于径向基函数网络（RBFN）的构造式启发式（RCH）作为基础求解器，通过动态离散化生成候选资源?任务?时间三元组，并利用轻量级RBFN评估其目标与约束特征，增量构建可行决策方案；（2）提出基于SHADE的进化元优化算法（EMOA），以RBFN参数为编码单位，通过种群进化搜索高性能E?RCH；（3）建立实例驱动演化机制，迭代识别当前集成难以处理的实例，将其纳入训练集以驱动EMOA生成针对性RCH，并通过历史实例优化防止性能退化。实验采用自主开发的SRA?TW实例生成器构建测试数据集。
研究结果分为以下部分：
问题建模（Problem Formulation）：研究人员将SRA?TW形式化为混合变量优化模型，明确定义资源、任务、时间窗口及成功概率的动态特性，为算法设计奠定理论基础。
算法集成元优化模型（Meta?optimization Model for Algorithm Ensemble）：建立以RBFN参数为优化变量的元优化数学模型，目标函数为E?RCH在多实例上的综合性能最大化。
三级实例驱动演化框架（The Three?level Instance?Driven Evolution Framework）：底层RCH实现单实例快速求解，中层EMOA实现集成优化，顶层实例驱动机制实现泛化能力提升，三者形成闭环反馈系统。
数值结果与对比（Numerical Results and Comparisons）：在多样化测试实例上，E?RCH在解质量与计算效率上均优于现有先进算法，验证了各组件的有效性。
讨论与结论部分指出，IDEF通过整合RCH的快速构造能力、EMOA的全局搜索能力及实例驱动的泛化增强机制，显著提升了SRA?TW求解的效率与适应性。该方法突破了单一求解器的性能局限，为复杂系统实时决策提供了通用化解决方案。研究由Danjing Wang、Bin Xin等学者完成，获国家自然科学基金杰出青年基金（62425304）与基础科学中心项目（62088101）资助。
