[논문 리뷰] Surrogate-Assisted Genetic Programming with Rank-Based Phenotypic Characterisation for Dynamic Multi-Mode Project Scheduling

Yuan Tian, Yi Mei외 1명|arXiv (Cornell University)|2026. 03. 17.

Resource-Constrained Project Scheduling인용 수 0

한 줄 요약

DMRCPSP에서 GP의 순위 기반 표현형 특성화를 도입하고, 평가되지 않은 개체의 적합도 추정을 위해 최근접 이웃 대리모를 통합하여 고품질 일정 결정 휴리스틱의 발견을 더 빠르게 달성한다.

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.

연구 동기 및 목표

• 의사결정 상황 전반에 걸친 순위 행태를 바탕으로 DMRCPSP에서 GP 휴리스틱용 문제 특화 표현형 특성화(PC)를 설계한다.
• PC를 사용해 적합도를 추정하고 자손 선택을 유도하는 대리모 보조 GP 알고리즘을 개발한다.
• 제안된 SKGGP 프레임워크가 평가 비용 감소와 함께 KGGP 기준보다 초기에 고품질 휴리스틱을 발견함을 입증한다.

제안 방법

• GP 개체를 두 트리로 표현한다: 활동 순서 규칙과 활동 그룹 선택 규칙.
• 각 상황에서 적격 후보를 순위 매기고 이 순위를 이어 붙여 의사결정 상황 기반 PC 벡터를 구성한다.
• PC 공간에서 최근접 이웃 대리모를 사용하여 평가되지 않은 중간 자손의 적합도를 추정한다.
• 매 세대마다 k×|P| 개의 중간 자손을 생성하고, 고유한 PC 벡터를 보존하며, 그들의 적합도를 추정하고 상위 |P| 자손을 전적으로 평가한다.
• PC 중복 개체를 제거하여 평가를 고유한 행동 패턴에 집중한다.
• 다섯 개의 프로젝트 인스턴스 각각에서 여러 DMRCPSP 시나리오에 대해 SKGGP와 KGGP를 비교한다.

실험 결과

연구 질문

• RQ1 DMRCPSP 의사결정 맥락에서 순위 기반 PC 체계가 GP 행동 차이를 충실하게 포착할 수 있는가?
• RQ2 대리모 보조 GP(SKGGP)가 KGGP에 비해 전체 적합도 평가를 감소시키면서 해법의 질을 유지하거나 개선하는가?
• RQ3 DMRCPSP GP에서 자손 배수 인자 k가 대리모 정확도와 진화 효율에 어떤 영향을 미치는가?
• RQ4 계산 시간 및 예산 절약 측면에서 대리모 모델 도입의 오버헤드는 어느 정도인가?
• RQ5 대리모 가이드 자손 선발이 고품질 휴리스틱으로의 수렴을 어느 정도 가속하는가?

주요 결과

알고리즘	<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

• 중간 자손의 수가 더 많아질 때(SKGGP는 k=2 또는 4일 때) KGGP보다 일관되게 더 우수하다.
• 모든 테스트 시나리오에서 SKGGP가 KGGP보다 더 빠르게 수렴한다.
• k=1일 때도 PC 기반 중복 제거로 인해 SKGGP가 KGGP보다 개선될 수 있지만, 더 큰 k에서 이득이 커진다.
• 대리모 추정은 약간의 오버헤드를 추가하며 전체 평가 시간의 약 1/20에서 1/40 정도를 차지한다.
• 예산 절감 분석은 SKGGP가 KGGP와 동등한 품질에 도달하는 데 20–40% 더 적은 전체 평가를 필요로 한다고 보여준다.
• 상위 개체 순위 결정에서 대리모 정밀도는 k 증가에 따라 감소하며, 더 큰 후보 풀에서 더 어려운 구분을 시사한다.