研究成果在《Tsinghua Science and Technology》上发表

近日，计算智能实验室李伟老师指导的研究成果在《Tsinghua Science and Technology》上发表学术论文《Cooperative-Guided Ant Colony Optimization with Knowledge Learning for Job Shop Scheduling Problem》，提出了一种带有知识学习的协同引导蚁群优化算法（KLCACO）。

《Tsinghua Science and Technology》（《清华大学学报自然科学版（英文版）》）为计算机科学、电子工程和其他信息技术领域中权威的学术期刊，由清华大学主办。最新影响因子为6.6。此次发表的研究成果为作业车间调度问题的优化及智能优化算法的改进和应用提供了理论和技术支持。

随着制造工业的发展，车间调度问题的研究越来越重要。作业车间调度问题（JSP）作为最基础的调度问题之一，具有很高的理论研究价值。但由于JSP问题具有NP-hard特性，该问题无法在给定的时间内获得满意解。为解决这一问题，本文提出一种带有知识学习的协同引导蚁群优化算法（KLCACO）：

1.KLCACO算法首先提出一种基于调度知识学习的解构造方案，通过将调度规划知识与个体方案构造结合，融合问题模型与算法数据，增强个体生成解的质量；

2.其次，针对JSP模型表示方法，本文提出基于协同策略的信息素引导机制，完成基于加工机器的信息学习；

3.一种基于JSP的邻域结构也被应用到KLCACO算法中，这使得算法的搜索空间得到扩大，实现了加快算法收敛的目的。

本文采用田口实验设计方法完成算法参数的最优选择。通过将KLCACO算法在48个基准测试实例上与其他高性能智能优化算法进行对比，完成了KLCACO算法在求解JSP问题上的有效性验证，证明了知识与数据融合的群智能算法在复杂组合优化问题上的可行性。