[論文レビュー] Surrogate-Assisted Genetic Programming with Rank-Based Phenotypic Characterisation for Dynamic Multi-Mode Project Scheduling

Yuan Tian, Yi Mei+1 more|arXiv (Cornell University)|Mar 17, 2026

Resource-Constrained Project Scheduling被引用数 0

ひとこと要約

DMRCPSP における GP の表現型特徴付けに基づくランクベースの表現型記述を導入し、未評価個体の適応度を推定する近傍代替手法を組み込み、品質の高いスケジューリングヒューリスティクスの発見をより速く達成する。

ABSTRACT

The dynamic multi-mode resource-constrained project scheduling problem (DMRCPSP) is of practical importance, as it requires making real-time decisions under changing project states and resource availability. Genetic Programming (GP) has been shown to effectively evolve heuristic rules for such decision-making tasks; however, the evolutionary process typically relies on a large number of simulation-based fitness evaluations, resulting in high computational cost. Surrogate models offer a promising solution to reduce evaluation cost, but their application to GP requires problem-specific phenotypic characterisation (PC) schemes of heuristic rules. There is currently a lack of suitable PC schemes for GP applied to DMRCPSP. This paper proposes a rank-based PC scheme derived from heuristic-driven ordering of eligible activity-mode pairs and activity groups in decision situations. The resulting PC vectors enable a surrogate model to estimate the fitness of unevaluated GP individuals. Based on this scheme, a surrogate-assisted GP algorithm is developed. Experimental results demonstrate that the proposed surrogate-assisted GP can identify high-quality heuristic rules consistently earlier than the state-of-the-art GP approach for DMRCPSP, while introducing only marginal computational overhead. Further analyses demonstrate that the surrogate model provides useful guidance for offspring selection, leading to improved evolutionary efficiency.

研究の動機と目的

• DMRCPSP における GP ヒューリスティクスのための問題特有の表現型特徴付け (PC) を、意思決定状況全体でのランキング挙動に基づいて設計する。
• PC を用いて適応度を推定し、 offspring 選択をガイドする代替手法支援の GP アルゴリズムを開発する。
• 提案する SKGGP フレームワークが、評価コストを削減しつつ、ベースライン KGGP より早く高品質なヒューリスティクスを発見することを示す。

提案手法

• GP 個体を2つの木で表現する：アクティビティ順序付けルールとアクティビティグループ選択ルール。
• 状況ごとに適格候補をランキングし、これらの順位を連結して意思決定状況ベースのPCベクトルを構築する。
• PC 空間で最近傍代替手法を用い、未評価の中間 offspring の適応度を推定する。
• 世代ごとに k×|P| の中間 offspring を生成し、唯一の PC ベクトルを保持し、これらの適応度を推定し、上位 |P| offspring を完全評価する。
• PC 重複個体を削除して、ユニークな挙動パターンの評価に集中する。
• SKGGP を KGGP と複数の DMRCPSP シナリオ（各5つのプロジェクトインスタンス）で比較する。

実験結果

リサーチクエスチョン

• RQ1 DMRCPSP の意思決定文脈における GP 行動差をランクベースの PC スキームが忠実に捉えられるか？
• RQ2 surrogate-assisted GP (SKGGP) は KGGP と比較して完全適応度評価を削減しつつ解の品質を維持または向上させられるか？
• RQ3 offspring multiplier k は DMRCPSP GP における代替適合性と進化効率にどのような影響を与えるか？
• RQ4 代替モデル導入の計算時間と予算節約のオーバーヘッドはどの程度か？
• RQ5 surrogate による offspring 選択は高品質ヒューリスティクスへの収束をどの程度加速するか？

主な発見

Algorithm	<0.75/R12>	<0.5/R12>	<0.25/R12>
KGGP	1.724 ś 0.013	1.691 ś 0.011	1.710 ś 0.016
SKGGP-1	1.711 ś 0.010	1.686 ś 0.014	1.702 ś 0.014
SKGGP-1.5	1.713 ś 0.013	1.684 ś 0.016	1.699 ś 0.014
SKGGP-2	1.708 ś 0.009	1.678 ś 0.014	1.700 ś 0.015
SKGGP-4	1.706ś0.010	1.678ś0.014	1.700ś0.021

• SKGGP はより多くの中間 offspring が生成される場合（k=2 または 4）に一貫して KGGP を上回る。
• SKGGP はすべてのテストシナリオで KGGP より速く収束する。
• k=1 の場合でも PC ベースの重複除去により SKGGP が KGGP を上回ることがあるが、k を大きくすると利得が拡大する。
• 代替推定は控えめなオーバーヘッドを追加し、全評価時間のおおよそ1/20〜1/40程度を占める。
• 予算節約分析では、SKGGP が KGGP 相当の品質に達するのに必要な全評価回数を20〜40%削減できる。
• トップ個体のランキングにおける surrogate の精度は、k の増加とともに低下し、候補プールが大きくなるほど識別が難しくなる。