<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[国防科技大学学报编辑部 -->基于人工智能优化算法的决策与应用]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[车间绿色调度研究综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着制造业的蓬勃发展，环境污染和资源短缺等问题逐渐凸显，严重影响了社会的可持续发展。因此，制造业节能减排转型是全球绿色低碳发展的必然要求。而生产调度作为制造系统中最重要的环节之一，可通过资源的合理分配来实现制造系统运行的高效化和绿色化。在绿色制造的背景下，车间绿色调度已成为生产调度领域的研究热点。为此，拟从并行机绿色调度问题、流水车间绿色调度问题、作业车间绿色调度问题、柔性作业车间绿色调度问题以及分布式车间绿色调度问题多个方面，对2018年至今的研究成果进行系统性的综述，总结现有研究的不足，指出未来的研究方向。]]></description>
<pubDate>2025/4/14 0:00:00</pubDate>
<category><![CDATA[基于人工智能优化算法的决策与应用]]></category>
<author><![CDATA[高亮，余飞，卢超]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502001]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于强化学习与遗传算法的机器人并行拆解序列规划方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502002]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在拆解序列规划问题中，为了提高拆解效率、降低拆解能耗，引入了机器人并行拆解模式，构建了机器人并行拆解序列规划模型，并设计了基于强化学习的遗传算法。为了验证模型的正确性，构造了混合整数线性规划模型。算法构造了基于目标导向的编解码策略，以提高初始解的质量；采用<i>Q</i>学习来选择算法迭代过程中的最佳交叉策略和变异策略，以增强算法的自适应能力。在一个34项任务的发动机拆解案例中，通过与四种经典多目标算法对比，验证了所提算法的优越性；分析所得拆解方案，结果表明机器人并行拆解模式可以有效缩短完工时间，并降低拆解能耗。]]></description>
<pubDate>2025/4/14 0:00:00</pubDate>
<category><![CDATA[基于人工智能优化算法的决策与应用]]></category>
<author><![CDATA[汪开普，马晓艺，卢超，殷旅江，李新宇]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502002]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[改进协同演化算法求解超多目标云工作流调度问题]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502003]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[目前主流优化方法通常将云工作流调度建模为单目标或者不超过三个目标的多目标优化问题，未能充分考虑实际应用场景需求。为克服传统方法局限性，将云工作流调度问题直接建模为涉及时间、费用、可靠性、资源消耗度、负载均衡等众多指标的超多目标优化问题，并针对该问题提出一种改进协同演化算法，利用双阶段策略和多性能指标协同机制有效地平衡解集的收敛性和多样性，提升算法寻优能力。在七类真实工作流实例上的实验表明，所提方法相比现有算法在大多数情况下可找到更好的调度方案。]]></description>
<pubDate>2025/4/14 0:00:00</pubDate>
<category><![CDATA[基于人工智能优化算法的决策与应用]]></category>
<author><![CDATA[周佳军，姬小晖，卢超，高亮]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502003]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[柔性作业车间调度问题的课程强化学习算法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502004]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对深度强化学习在柔性作业车间调度问题上泛化能力不足的问题，提出结合课程学习和深度强化学习的方法。通过动态调整训练实例难度,重点增强最难实例的训练,以适应不同数据分布，避免学习过程中的遗忘问题。仿真测试结果表明，算法在未经训练的大规模问题和基准数据集上保持了不错的性能。在2种人造分布的4个未训练大规模问题上取得了更好的性能表现。相较于精确方法和元启发式方法，对于计算量较大的问题实例，能快速地获得质量不错的解。同时算法可以适应不同的数据分布的柔性作业车间调度问题,具有较快收敛速度和较好泛化能力。]]></description>
<pubDate>2025/4/14 0:00:00</pubDate>
<category><![CDATA[基于人工智能优化算法的决策与应用]]></category>
<author><![CDATA[卢超，肖洋，张彪，高亮]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202502004]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>