作为一名苦逼的工科博士搬砖狗,在科学之门ResearchGate上注册了快有五年了,今天第一次上传了自己的采用遗传编程解决生产调度问题的一篇文章。
我的ResearchGate主页是
https://www.researchgate.net/profile/Yong_Zhou17
这篇文章说来也是写起来费了不少功夫,其中一位审稿人提的意见很中肯,也很犀利,费了2个月的时间写回复信,光回复信又写了小一万字!后来,查了一下文献发现这名审稿人是新西兰的一位比较年轻的学者,h-index为14,他引1050,也算是一名学术新星了。后来,非常客气的跟他交流了一番,又引用了他名下几篇相关的文章,修回稿回去一个月就接受了,结果还是挺好的。
由于我投的IEEE旗下的开源期刊,因此可以在自己的社交网络上进行分享。文章名称是“Hyper-heuristic coevolution of machine assignment and job sequencing rules for multi-objective dynamic flexible job shop scheduling” ,文章的DOI是10.1109/ACCESS.2018.2883802
这篇文章其实也是利用GP的离线训练方法解决在线的调度问题,核心方法是多目标协同遗传编程算法,英文缩写为MO-CCGP。训练案例为8种类型的随机调度案例,测试案例为64个随机调度案例。结果表明离线训练得到的启发式知识在线应用的泛化性能良好,在三种目标下全面支配以往文献提出的各种专家制定的启发式算法。这个文章的创新点在于和启发式算法相比,可以在不劣化在线调度时间的基础上,大幅度提升在线调度的结果。同理,与元启发式算法对比可以在不劣化在线调度结果质量的基础上,大幅度缩短在线调度时间。相当于做了一个权衡,在求解精度和时间两个指标上做了trade-off,具体的方式就是将在线学习的过程移动到线下,缩短了在线学习的时间,而且训练得到的启发式知识经过大范围测试案例的检验证明其泛化性能良好!
目前在投的第二篇文章具体方法名字很拗口:融入领域知识的多代理多目标协同遗传编程算法,英文缩写是MA-MO-CCGP。目前电脑在跑着一个单目标的粒子群算法,同样的案例,大概需要一个小时的时间才能取得接近于MA-MO-CCGP方法的结果。这就是超启发式算法的魅力,目前已经将这种方法嵌入MES系统中,采用的是航发集团生产车间的具体案例,其调度结果已经大大优于原先系统指定的“色带算法”。
今天登陆了一下投稿系统,发现审我这篇稿件是一位中国台湾的大牛,h-index27!这在制造系统领域已经很高了!在web of science上面查了一下这位学者的论文,发现基本都是Q2以上,很多Q1,目前只能默默的祈祷大佬开恩,能够发现我这篇论文的闪光点,并且给予肯定的建议和意见。
领取专属 10元无门槛券
私享最新 技术干货