論文の概要: Lifelong Learning of Scheduling Rules with Surrogate-assisted Genetic Programming for Dynamic Flexible Job Shop Scheduling

• arxiv url: http://arxiv.org/abs/2610.41158v1
• Date: Fri, 30 Oct 2026 02:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.590814
• Title: Lifelong Learning of Scheduling Rules with Surrogate-assisted Genetic Programming for Dynamic Flexible Job Shop Scheduling
• Title（参考訳）: 動的フレキシブルジョブショップスケジューリングのためのサロゲート支援遺伝的プログラミングを用いたスケジューリングルールの生涯学習
• Abstract要約: 遺伝的プログラミング(GP)は、動的フレキシブルジョブショップスケジューリング(DFJSS)のスケジューリング規則を学習するために広く用いられている。 新しいタスクに関する微調整された事前訓練されたルールは、しばしば破滅的な忘れを招き、事前の知識が失われる。 本稿では,一貫した不均一なDFJSSタスクを処理するために,生涯学習のための代理支援GP手法を提案する。
• 参考スコア（独自算出の注目度）: 10.361566680272528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Genetic programming (GP) has been widely used to learn scheduling rules for dynamic flexible job shop scheduling (DFJSS). However, trained rules tend to only generalise to tasks of similar scales and distributions, and when task characteristics change, learned rules often suffer significant performance degradation. Moreover, fine-tuning pre-trained rules on new tasks often leads to catastrophic forgetting, where prior knowledge is lost. This motivates the need for GP methods that can adapt to new tasks while preserving past knowledge, leading to a lifelong learning paradigm. However, lifelong learning in GP for DFJSS remains largely under-explored. To address this gap, this paper proposes a surrogate-assisted GP method for lifelong learning to handle sequential heterogeneous DFJSS tasks with job or batch arrivals. The framework includes three key components: an adaptive two-stage training strategy to balance plasticity and stability, a task-similarity-based weighting mechanism to regulate knowledge reuse, and an improved surrogate model with distance constraints to enhance estimation accuracy. Experimental results show that the proposed method effectively mitigates catastrophic forgetting while maintaining strong adaptability, outperforming several compared methods and demonstrating the potential of lifelong GP in dynamic scheduling environments.
• Abstract（参考訳）: 遺伝的プログラミング(GP)は、動的フレキシブルなジョブショップスケジューリング(DFJSS)のスケジューリング規則を学習するために広く用いられている。 しかし、訓練されたルールは、類似のスケールや分布のタスクにのみ一般化する傾向があり、タスク特性が変化すると、学習されたルールは性能が著しく低下することが多い。 さらに、新しいタスクに関する微調整済みのルールは、しばしば破滅的な忘れを招き、事前の知識が失われる。 これは、過去の知識を保ちながら新しいタスクに適応できるGPメソッドの必要性を動機付け、生涯にわたる学習パラダイムへと繋がる。 しかし、DFJSS の GP での生涯学習は、ほとんど探索されていない。 このギャップに対処するため,本研究では,ジョブやバッチ到着時のDFJSSタスクの逐次的ヘテロジニアス処理を行うために,生涯学習のための代用GP手法を提案する。 このフレームワークには、可塑性と安定性のバランスをとるための適応的な2段階トレーニング戦略、知識再利用を規制するタスク類似性に基づく重み付け機構、推定精度を高めるための距離制約付きサロゲートモデルが含まれる。 実験の結果,提案手法は高い適応性を保ちながら破滅的忘れを効果的に軽減し,いくつかの比較手法を上回り,動的スケジューリング環境における寿命GPの可能性を示した。

関連論文リスト

• Dynamic Mixture of Progressive Parameter-Efficient Expert Library for Lifelong Robot Learning [64.88132446226474]
  ジェネラリストエージェントは生涯を通じて継続的に学び、適応し、忘れを最小化しながら効率的な転送を実現する必要がある。 従来の研究は、シングルタスク適応のためのパラメータ効率の良い微調整を探索し、少数のパラメータで凍結事前訓練されたモデルを効果的に操る。 本稿では,生涯にわたるロボット学習のためのDMPEL(Dynamic Mixture of Progressive Efficient Expert Library)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T11:13:04Z)
• Genetic Programming with Reinforcement Learning Trained Transformer for Real-World Dynamic Scheduling Problems [25.62765688986959]
  本稿では,GPRT(Reinforcement Learning)を用いて学習したトランスフォーマーと遺伝的プログラミング(GP)を組み合わせた革新的なアプローチを提案する。 GPRTは動的スケジューリングシナリオの複雑さに対処するように設計されている。 この統合アプローチの有効性は,コンテナターミナルトラックスケジューリングの実用化を通じて実証される。
  論文  参考訳（メタデータ） (2025-04-10T14:18:22Z)
• Continual Task Learning through Adaptive Policy Self-Composition [54.95680427960524]
  CompoFormerは構造ベースの連続トランスフォーマーモデルであり、メタポリシックネットワークを介して、以前のポリシーを適応的に構成する。 実験の結果,CompoFormerは従来の継続学習法(CL)よりも優れており,特にタスクシーケンスが長いことが判明した。
  論文  参考訳（メタデータ） (2024-11-18T08:20:21Z)
• Learning Continually by Spectral Regularization [45.55508032009977]
  連続学習アルゴリズムは、ネットワークのトレーニング性を維持しながら、良好な性能を維持することにより、可塑性の損失を軽減する。 我々は,初期化時のニューラルネットワークパラメータの特異値が学習の初期段階におけるトレーニング容易性の重要な要因であることから着想を得た,継続学習を改善するための新しい手法を開発した。 提案するスペクトル正規化器は,連続的な教師付きおよび強化学習環境において,様々なモデルアーキテクチャの訓練性と性能を維持可能であることを示す実験的検討を行った。
  論文  参考訳（メタデータ） (2024-06-10T21:34:43Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Natural continual learning: success is a journey, not (just) a destination [9.462808515258464]
  自然継続学習(NCL)は、重み付け正規化と射影勾配降下を統一する新しい手法である。 提案手法は,RNNにおける連続学習問題に適用した場合,標準重み付け正規化手法とプロジェクションベースアプローチの両方に優れる。 トレーニングされたネットワークは、生体回路の実験的な発見と同様に、新しいタスクが学習されると強く保存されるタスク固有ダイナミクスを進化させる。
  論文  参考訳（メタデータ） (2021-06-15T12:24:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。