[论文解读] 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 0

一句话总结

引入基于排序的表型特征用于 GP 在 DMRCPSP 中的表型表征，并集成最近邻代理来估算未评估个体的适应度，从而更快发现高质量的调度启发式方法。

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.

研究动机与目标

• 为基于 GP 的启发式算法在 DMRCPSP 基于决策情境的排序行为设计一个特定于问题的表型特征（PC）。
• 开发一个使用 PC 来估算适应度并指导后代选择的代理辅助 GP 算法。
• 证明所提出的 SKGGP 框架在评估成本降低的情况下比基线 KGGP 更早发现高质量的启发式方法。

提出的方法

• 用两棵树表示 GP 个体：一个活动排序规则和一个活动分组选择规则。
• 通过在每个情境中对符合条件的候选者进行排序并连接这些排序结果，构建基于决策情境的 PC 向量。
• 在 PC 空间使用最近邻代理来估算未评估的中间后代的适应度。
• 每代产生 k×|P| 个中间后代，保留唯一的 PC 向量，估算它们的适应度，并对前 |P| 个后代进行完全评估。
• 移除 PC-重复的个体，以将评估重点放在独特的行为模式上。
• 在多个 DMRCPSP 情景下比较 SKGGP 与 KGGP，涵盖每个情景下的五个项目实例。

实验结果

研究问题

• RQ1 一个基于排序的 PC 方案是否能够如实捕捉 DMRCPSP 决策情境中 GP 行为差异？
• RQ2 代理辅助 GP（SKGGP）是否在保持或提升解的质量的同时减少完整适应度评估？
• RQ3 offspring multiplier k 如何影响代理精度与 DMRCPSP GP 的进化效率？
• RQ4 引入代理模型在计算时间和预算节省方面的开销有多大？
• RQ5 代理引导的后代选择在多大程度上加速收敛到高质量的启发式方法？

主要发现

• 在生成较多中间后代时（k=2 或 4），SKGGP 相较 KGGP 具有稳定的优势。
• 在所有测试情景中，SKGGP 的收敛速度均快于 KGGP。
• 即使在 k=1 时，因 PC 基于重复项移除，SKGGP 仍能优于 KGGP，但当 k 增大时优势更明显。
• 代理估算带来的开销较小，大约相当于完整评估时间的 1/20 到 1/40。
• 预算节省分析显示 SKGGP 在需要 20–40% 更少的完整评估的情况下达到 KGGP 等价的质量。
• 随着 k 增大，代理在对前位个体的排序精度下降，表明候选池越大，辨别越具挑战性。