GPU加速的演化算法求解多目标流水车间调度问题

doi:10.11772/j.issn.1001-9081.2024010028

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (5): 1364-1371.DOI: 10.11772/j.issn.1001-9081.2024010028

所属专题：进化计算专题（2024年第5期“进化计算专题”导读，全文即将上线）

• 进化计算专题 • 上一篇

GPU加速的演化算法求解多目标流水车间调度问题

姜涛¹^,², 梁振宇¹, 程然¹(), 金耀初³

^1.南方科技大学计算机科学与工程系，广东深圳 518055
^2.鹏城实验室，广东深圳 518055
^3.西湖大学，杭州 310012

收稿日期:2024-01-15 修回日期:2024-02-20 接受日期:2024-02-21 发布日期:2024-04-26 出版日期:2024-05-10
通讯作者: 程然
作者简介:姜涛（1997—），男，安徽马鞍山人，博士研究生，主要研究方向：智能调度、演化计算
梁振宇（1997—），男，广东阳江人，硕士研究生，主要研究方向：多目标优化
金耀初（1966—），男，江苏吴江人，讲席教授，博士，主要研究方向：人工智能。
第一联系人：程然（1987—），男，江苏徐州人，副教授，博士，主要研究方向：计算智能、演化计算、表征学习

GPU-accelerated evolutionary optimization of multi-objective flow shop scheduling problems

Tao JIANG¹^,², Zhenyu LIANG¹, Ran CHENG¹(), Yaochu JIN³

^1.Department of Computer Science and Engineering，Southern University of Science and Technology，Shenzhen Guangdong 518055，China
^2.Peng Cheng Laboratory，Shenzhen Guangdong 518055，China
^3.Westlake University，Hangzhou Zhejiang 310012，China

Received:2024-01-15 Revised:2024-02-20 Accepted:2024-02-21 Online:2024-04-26 Published:2024-05-10
Contact: Ran CHENG
About author:JIANG Tao， born in 1997， Ph. D. candidate. His research interests include intellligent scheduling， evolutionary computation.
LIANG Zhenyu， born in 1997， M. S. candidate. His research interests include multi-objective optimization.
JIN Yaochu， born in 1966， Ph. D.， chair professor. His research interests include artificial intelligence.

摘要/Abstract

摘要：

智能制造和环境可持续性研究中，多目标调度问题对于协调生产效率、成本管理与环境保护之间的平衡具有至关重要的意义，但现有基于CPU的调度解决方案在处理大规模生产任务时仍面临效率和时效性的限制，而GPU的并行计算能力可为优化大规模流水车间调度问题提供新的解决途径。针对多目标零等待流水车间调度问题（NWFSP），以同时最小化最大完成时间和总能耗（TEC）为优化目标，构建了混合整数线性规划模型（MILP）表征该调度问题，并提出一种基于GPU加速的张量化演化算法（Tensor-GPU-NSGA-Ⅱ）求解该问题。Tensor-GPU-NSGA-Ⅱ的主要创新在于对NWFSP关于最小化最大完成时间和TEC的计算过程的张量化处理，并提出了一种基于GPU的并行种群更新方法。实验结果表明，在500工件和20机器的问题规模下，Tensor-GPU-NSGA-Ⅱ在计算效率上相较于传统NSGA-Ⅱ算法取得了9 761.75的加速比；且随着种群规模的增加，它的加速性能有显著提升。

关键词: 智能制造, 多目标优化, 流水车间调度, GPU加速, 张量化方法

Abstract:

In the realms of intelligent manufacturing and environmental sustainability， the significance of multi-objective scheduling in orchestrating a balance among production efficiency， cost management， and environmental conservation is paramount. Contemporary research indicates that CPU-based scheduling solutions are constrained by suboptimal efficiency and responsiveness， particularly when managing tasks of considerable scale. Consequently， the parallel computational prowess of GPUs heralds a novel avenue for the refinement of extensive flow shop scheduling challenges. For the multi-objective No-Wait Flow shop Scheduling Problem （NWFSP）， with the concurrent objectives of minimizing both the makespan and the Total Energy Consumption （TEC）， a Mixed-Integer Linear Programming model （MILP） was formulated to delineate the problem， and a bespoke GPU-accelerated tensorized evolutionary algorithm named Tensor-GPU-NSGA-Ⅱ was introduced for problem-solving. The ingenuity of Tensor-GPU-NSGA-Ⅱ resides in its tensorized algorithm for the computation of the makespan and TEC within the NWFSP framework， as well as in converting the conventional CPU-based serial individual updating to a GPU-driven parallel population renewal process. Empirical results demonstrate that for a scenario involving 500 jobs and 20 machines， Tensor-GPU-NSGA-Ⅱ realizes an enhancement in computational efficiency by a speedup of 9 761.75 over the traditional NSGA-Ⅱ algorithm. Furthermore， this acceleration efficacy markedly surges as the population scale expands.

Key words: intelligent manufacturing, multi-objective optimization, flow shop scheduling, GPU acceleration, tensorization method

中图分类号:

TP18

姜涛, 梁振宇, 程然, 金耀初. GPU加速的演化算法求解多目标流水车间调度问题[J]. 计算机应用, 2024, 44(5): 1364-1371.

Tao JIANG, Zhenyu LIANG, Ran CHENG, Yaochu JIN. GPU-accelerated evolutionary optimization of multi-objective flow shop scheduling problems[J]. Journal of Computer Applications, 2024, 44(5): 1364-1371.

图/表 7

表 1 变量符号及定义

Tab. 1 Variable symbols and definitions

变量	定义	变量	定义	变量	定义
$m$	机器数目	$e$	机器加工速度等级数目	$R P E C$	总加工能耗（total Processing Energy Consumption， PEC）
$n$	工件数目	$p i, j$	工件 $j$ 在 $机器 i$ 上的标准加工时间	$R I E C$	总空闲能耗（total Idle Energy Consumption， IEC）
$i$	机器索引号	$v i, j$	工件 $j$ 在 $机器 i$ 上的加工速度	$R P I$	机器空闲时的平均功率（average Power at Idle， PI）
$j$	工件索引号	$C k, i$	第 $k$ 个加工工件在机器 $i$ 上的完成时间	$R P P$	机器加工时的平均功率（average Power during Processing， PP）
$k$	工件序列中工件的索引号	$t i i, j$	工件 $j$ 在机器 $i$ 后的实际空闲时间	$X j, k$	工件 $j$ 在加工序列中的第 $k$ 个位置加工时值为 $1$ ，否则为 $0$
$π$	指派工件的加工序列	$t p i, j$	工件 $j$ 在机器 $i$ 后的实际加工时间	$Y j, i, c$	工件 $j$ 在第 $i$ 台机器上的加工速度等级为 $c$ 时值为 $1$ ，否则为 $0$
$c$	机器加工速度等级	$R T E C$	总能耗（Total Energy Consumption， TEC）

表 1 变量符号及定义

Tab. 1 Variable symbols and definitions

变量	定义	变量	定义	变量	定义
$m$	机器数目	$e$	机器加工速度等级数目	$R P E C$	总加工能耗（total Processing Energy Consumption， PEC）
$n$	工件数目	$p i, j$	工件 $j$ 在 $机器 i$ 上的标准加工时间	$R I E C$	总空闲能耗（total Idle Energy Consumption， IEC）
$i$	机器索引号	$v i, j$	工件 $j$ 在 $机器 i$ 上的加工速度	$R P I$	机器空闲时的平均功率（average Power at Idle， PI）
$j$	工件索引号	$C k, i$	第 $k$ 个加工工件在机器 $i$ 上的完成时间	$R P P$	机器加工时的平均功率（average Power during Processing， PP）
$k$	工件序列中工件的索引号	$t i i, j$	工件 $j$ 在机器 $i$ 后的实际空闲时间	$X j, k$	工件 $j$ 在加工序列中的第 $k$ 个位置加工时值为 $1$ ，否则为 $0$
$π$	指派工件的加工序列	$t p i, j$	工件 $j$ 在机器 $i$ 后的实际加工时间	$Y j, i, c$	工件 $j$ 在第 $i$ 台机器上的加工速度等级为 $c$ 时值为 $1$ ，否则为 $0$
$c$	机器加工速度等级	$R T E C$	总能耗（Total Energy Consumption， TEC）

图1 NWFSP的甘特图

Fig. 1 Gantt diagram of NWFSP

图2 OX交叉算子示意图

Fig. 2 Schematic diagram of OX crossover operator

图3 张量化种群进化示意图

Fig. 3 Schematic diagram of tensorized population evolution

表2 NSGA-Ⅱ在不同运行环境下的时间开销

Tab. 2 Time consumption of NSGA-Ⅱ in various environments

$(n, m)$	时间开销					加速比
$(n, m)$	CPU	GPU	Tensor-noJIT- CPU	Tensor-CPU	Tensor-GPU	加速比
合计/均值	78 998.97	143 611.21	210.29	81.01	43.29	1 825.06
$(20,5)$	412.15	829.02	15.75	5.93	3.85	107.07
$(20,10)$	752.93	1 449.78	16.25	5.73	3.42	220.18
$(20,20)$	1 498.14	2 657.13	16.41	5.85	3.37	445.15
$(50,5)$	931.54	1 760.22	17.59	5.65	3.72	250.32
$(50,10)$	1 775.66	3 293.61	17.31	5.77	3.49	508.19
$(50,20)$	3 717.38	6 541.58	17.77	5.95	3.47	1 071.90
$(100,5)$	1 888.71	3 447.26	16.31	6.29	3.87	487.51
$(100,10)$	3 675.49	6 609.47	16.54	5.97	3.63	1 012.74
$(100,20)$	7 134.09	13 131.29	16.68	6.33	3.51	2 032.36
$(200,10)$	6 978.79	13 135.42	17.38	7.63	3.71	1 878.73
$(200,20)$	14 026.84	25 956.58	19.15	7.82	3.53	3 972.75
$(500,20)$	36 207.25	64 799.84	23.17	12.09	3.71	9 761.75

表2 NSGA-Ⅱ在不同运行环境下的时间开销

Tab. 2 Time consumption of NSGA-Ⅱ in various environments

$(n, m)$	时间开销					加速比
$(n, m)$	CPU	GPU	Tensor-noJIT- CPU	Tensor-CPU	Tensor-GPU	加速比
合计/均值	78 998.97	143 611.21	210.29	81.01	43.29	1 825.06
$(20,5)$	412.15	829.02	15.75	5.93	3.85	107.07
$(20,10)$	752.93	1 449.78	16.25	5.73	3.42	220.18
$(20,20)$	1 498.14	2 657.13	16.41	5.85	3.37	445.15
$(50,5)$	931.54	1 760.22	17.59	5.65	3.72	250.32
$(50,10)$	1 775.66	3 293.61	17.31	5.77	3.49	508.19
$(50,20)$	3 717.38	6 541.58	17.77	5.95	3.47	1 071.90
$(100,5)$	1 888.71	3 447.26	16.31	6.29	3.87	487.51
$(100,10)$	3 675.49	6 609.47	16.54	5.97	3.63	1 012.74
$(100,20)$	7 134.09	13 131.29	16.68	6.33	3.51	2 032.36
$(200,10)$	6 978.79	13 135.42	17.38	7.63	3.71	1 878.73
$(200,20)$	14 026.84	25 956.58	19.15	7.82	3.53	3 972.75
$(500,20)$	36 207.25	64 799.84	23.17	12.09	3.71	9 761.75

图4 Tensor-CPU和Tensor-GPU关于HV的区间图

Fig. 4 Interval figures for HV on Tensor-CPU and Tensor-GPU

表3 张量化CPU和张量化GPU上的时间开销对比

Tab. 3 Time consumption comparison on Tensor-CPU and Tensor-GPU

$(n, m)$	时间开销		加速比	时间开销		加速比	时间开销		加速比	时间开销		加速比
$(n, m)$	500-CPU	500-GPU	加速比	1 000-CPU	1 000-GPU	加速比	5 000-CPU	5 000-GPU	加速比	10 000-CPU	10 000-GPU	加速比
$(20,5)$	11.74	4.12	2.85	12.70	4.28	2.97	106.10	11.31	9.38	511.90	37.52	13.64
$(20,10)$	8.90	3.67	2.42	12.13	3.74	3.24	129.28	13.28	9.73	690.14	50.52	13.66
$(20,20)$	8.64	3.73	2.32	11.33	3.87	2.93	169.27	17.84	9.49	967.98	72.57	13.34
$(50,5)$	10.55	3.98	2.65	17.23	4.14	4.17	111.28	10.53	10.57	506.69	33.98	14.91
$(50,10)$	9.67	3.86	2.50	12.68	3.96	3.20	130.83	12.48	10.48	629.94	45.30	13.91
$(50,20)$	9.86	3.92	2.52	13.00	4.04	3.21	172.34	16.82	10.25	933.98	66.14	14.12
$(100,5)$	16.84	4.26	3.95	18.36	4.22	4.35	124.41	10.47	11.88	524.37	33.14	15.82
$(100,10)$	12.46	3.99	3.12	16.82	4.02	4.18	145.15	12.32	11.79	669.89	43.84	15.28
$(100,20)$	12.26	4.11	2.98	18.02	4.09	4.40	193.41	16.55	11.68	946.25	64.61	14.65
$(200,10)$	17.98	4.36	4.12	28.43	4.37	6.51	187.21	12.61	14.84	742.74	43.91	16.92
$(200,20)$	18.45	4.18	4.41	30.72	4.24	7.24	235.95	17.01	13.87	1027.14	64.76	15.86
$(500,20)$	36.10	4.47	8.08	67.12	4.48	14.97	400.18	18.95	21.12	1360.48	68.82	19.77

表3 张量化CPU和张量化GPU上的时间开销对比

Tab. 3 Time consumption comparison on Tensor-CPU and Tensor-GPU

$(n, m)$	时间开销		加速比	时间开销		加速比	时间开销		加速比	时间开销		加速比
$(n, m)$	500-CPU	500-GPU	加速比	1 000-CPU	1 000-GPU	加速比	5 000-CPU	5 000-GPU	加速比	10 000-CPU	10 000-GPU	加速比
$(20,5)$	11.74	4.12	2.85	12.70	4.28	2.97	106.10	11.31	9.38	511.90	37.52	13.64
$(20,10)$	8.90	3.67	2.42	12.13	3.74	3.24	129.28	13.28	9.73	690.14	50.52	13.66
$(20,20)$	8.64	3.73	2.32	11.33	3.87	2.93	169.27	17.84	9.49	967.98	72.57	13.34
$(50,5)$	10.55	3.98	2.65	17.23	4.14	4.17	111.28	10.53	10.57	506.69	33.98	14.91
$(50,10)$	9.67	3.86	2.50	12.68	3.96	3.20	130.83	12.48	10.48	629.94	45.30	13.91
$(50,20)$	9.86	3.92	2.52	13.00	4.04	3.21	172.34	16.82	10.25	933.98	66.14	14.12
$(100,5)$	16.84	4.26	3.95	18.36	4.22	4.35	124.41	10.47	11.88	524.37	33.14	15.82
$(100,10)$	12.46	3.99	3.12	16.82	4.02	4.18	145.15	12.32	11.79	669.89	43.84	15.28
$(100,20)$	12.26	4.11	2.98	18.02	4.09	4.40	193.41	16.55	11.68	946.25	64.61	14.65
$(200,10)$	17.98	4.36	4.12	28.43	4.37	6.51	187.21	12.61	14.84	742.74	43.91	16.92
$(200,20)$	18.45	4.18	4.41	30.72	4.24	7.24	235.95	17.01	13.87	1027.14	64.76	15.86
$(500,20)$	36.10	4.47	8.08	67.12	4.48	14.97	400.18	18.95	21.12	1360.48	68.82	19.77

参考文献 26

1	ZHONG R Y， XU X， KLOTZ E， et al. Intelligent manufacturing in the context of Industry 4.0： a review［J］. Engineering， 2017， 3（5）： 616-630. 10.1016/j.eng.2017.05.015
2	MITTAL S， KHAN M A， ROMERO D， et al. A critical review of smart manufacturing & Industry 4.0 maturity models： implications for Small and Medium-sized Enterprises （SMEs）［J］. Journal of Manufacturing Systems， 2018， 49： 194-214. 10.1016/j.jmsy.2018.10.005
3	ZHAO Z， ZHOU M， LIU S. Iterated greedy algorithms for flow-shop scheduling problems： a tutorial［J］. IEEE Transactions on Automation Science and Engineering， 2021， 19（3）： 1941-1959. 10.1109/tase.2021.3062994
4	KOMAKI G， SHEIKH S， MALAKOOTI B. Flow shop scheduling problems with assembly operations： a review and new trends［J］. International Journal of Production Research， 2019， 57（10）： 2926-2955. 10.1080/00207543.2018.1550269
5	ZHAO F， JIANG T， WANG L. A reinforcement learning driven cooperative meta-heuristic algorithm for energy-efficient distributed no-wait flow-shop scheduling with sequence-dependent setup time［J］. IEEE Transactions on Industrial Informatics， 2023， 19（7）： 1-12. 10.1109/tii.2022.3218645
6	PAN Q-K， WANG L， ZHAO B-H. An improved iterated greedy algorithm for the no-wait flow shop scheduling problem with makespan criterion［J］. The International Journal of Advanced Manufacturing Technology， 2008， 38： 778-786. 10.1007/s00170-007-1120-y
7	李浩然，高亮，李新宇.基于离散人工蜂群算法的多目标分布式异构零等待流水车间调度方法［J］.机械工程学报，2023，59（2）：291-306. 10.3901/jme.2023.02.291
	LI H R， GAO L， LI X Y. Discrete artificial bee colony algorithm for multi-objective distributed heterogeneous no-wait flowshop scheduling problem［J］. Journal of Mechanical Engineering， 2023， 59（2）： 291-306. 10.3901/jme.2023.02.291
8	WEI Y-M， CHEN K， KANG J-N， et al. Policy and management of carbon peaking and carbon neutrality： a literature review［J］. Engineering， 2022， 14： 52-63. 10.1016/j.eng.2021.12.018
9	LI M， WANG G-G. A review of green shop scheduling problem［J］. Information Sciences， 2022， 589： 478-496. 10.1016/j.ins.2021.12.122
10	WANG J-J， WANG L. A cooperative memetic algorithm with learning-based agent for energy-aware distributed hybrid flow-shop scheduling ［J］. IEEE Transactions on Evolutionary Computation， 2021， 26（3）： 461-475. 10.1109/tevc.2021.3106168
11	罗聪，龚文引.混合分解多目标进化算法求解绿色置换流水车间调度问题［J/OL］.控制与决策，2023 （2023-07-20）［2024-02-19］. .
	LUO C， GONG W Y. A hybrid multi-objective evolutionary algorithm based on decomposition for green permutation flow shop-scheduling problem［J］. Control and Decision， 2023 （2023-07-20）［2024-02-19］. .
12	ZHAO F， HE X， WANG L. A two-stage cooperative evolutionary algorithm with problem-specific knowledge for energy-efficient scheduling of no-wait flow-shop problem ［J］. IEEE Transactions on Cybernetics， 2020， 51（11）： 5291-5303. 10.1109/tcyb.2020.3025662
13	GAREY M R， SETHI J R. The complexity of flowshop and jobshop scheduling ［J］. Mathematics of Operations Research， 1976， 1（2）： 117-129. 10.1287/moor.1.2.117
14	闫红超，汤伟，姚斌.求解置换流水车间调度问题的混合鸟群算法［J］.计算机应用，2022，42（9）：2952-2959. 10.11772/j.issn.1001-9081.2021091650
	YAN H C， TANG W， YAO B. Hybrid bird swarm algorithm for solving permutation flowshop scheduling problem［J］. Journal of Computer Applications， 2022， 42（9）： 2952-2959. 10.11772/j.issn.1001-9081.2021091650
15	ZHAO F， XU Z， WANG L， et al. A population-based iterated greedy algorithm for distributed assembly no-wait flow-shop scheduling problem ［J］. IEEE Transactions on Industrial Informatics， 2022， 19（5）： 6692-6705. 10.1109/tii.2022.3192881
16	DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182-197. 10.1109/4235.996017
17	OWENS J D， HOUSTON M， LUEBKE D， et al. GPU computing ［J］. Proceedings of the IEEE， 2008， 96（5）： 879-899. 10.1109/jproc.2008.917757
18	LEI S-C， XIAO X， GONG Y-J， et al. Tensorial evolutionary computation for spatial optimization problems ［J］. IEEE Transactions on Artificial Intelligence， 2022， 5（1）： 154-166.
19	VAN LUONG T， MELAB N， E-G TALBI. GPU-based approaches for multiobjective local search algorithms. a case study： the flowshop scheduling problem［C］// Proceedings of the 11th European Conference on Evolutionary Computation in Combinatorial Optimization. Berlin： Springer， 2011： 155-166. 10.1007/978-3-642-20364-0_14
20	GMYS J. Exactly solving hard permutation flowshop scheduling problems on peta-scale GPU-accelerated supercomputers［J］. INFORMS Journal on Computing， 2022， 34（5）： 2502-2522. 10.1287/ijoc.2022.1193
21	HUANG L-T， S-S JHAN， LI Y-J， et al. Solving the permutation problem efficiently for Tabu search on CUDA GPUs［C］// Proceedings of the 2014 International Conference on Computational Collective Intelligence， LNAI 8733. Cham： Springer， 2014： 342-352.
22	CZAPIŃSKI M， BARNES S. Tabu search with two approaches to parallel flowshop evaluation on CUDA platform ［J］. Journal of Parallel and Distributed Computing， 2011， 71（6）： 802-811. 10.1016/j.jpdc.2011.02.006
23	HUANG B， CHENG R， LI Z， et al. EvoX： a distributed GPU-accelerated library towards scalable evolutionary computation ［EB/OL］. ［2023-10-25］. . 10.1109/tevc.2024.3388550
24	BRADBURY J， FROSTIG R， HAWKINS P， et al. JAX： composable transformations of Python+NumPy programs ［EB/OL］. ［2023-10-11］. .
25	TAILLARD E. Benchmarks for basic scheduling problems ［J］. European Journal of Operational Research， 1993， 64（2）： 278-285. 10.1016/0377-2217(93)90182-m
26	WANG J-J， WANG L. A knowledge-based cooperative algorithm for energy-efficient scheduling of distributed flow-shop ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2018， 50（5）： 1805-1819.

[1]	李建强, 何舟. 面向多行程取送货车辆路径问题的混合NSGA-Ⅱ[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1187-1194.
[2]	马勇健, 史旭华, 王佩瑶. 基于两阶段搜索与动态资源分配的约束多目标进化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 269-277.
[3]	徐赛娟, 裴镇宇, 林佳炜, 刘耿耿. 基于多阶段搜索的约束多目标进化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2345-2351.
[4]	金苍宏, 邵育华, 何琴芳. 基于自适应群组重排的长尾推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1122-1128.
[5]	柳隽琰, 江沸菠, 彭于波, 董莉. 基于分解法与轨迹搜索的无人机群轨迹多目标优化模型[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3806-3815.
[6]	柳春锋, 李峥, 王居凤. 分布式工厂中微型制造单元多目标优化[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3824-3832.
[7]	李二超, 张生辉. 基于新评价指标自适应预测的动态多目标优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3178-3187.
[8]	李兴佳, 杨秋辉, 洪玫, 潘春霞, 刘瑞航. 基于历史数据和多目标优化的测试用例排序方法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 221-226.
[9]	马艳芳, 张文, 李宗敏, 闫芳, 郭凌云. 考虑负效应的垃圾回收两级选址‒路径模型与算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 289-298.
[10]	闫红超, 汤伟, 姚斌. 求解置换流水车间调度问题的混合鸟群算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2952-2959.
[11]	张翔宇, 杨阳, 冯国徽, 秦川. 基于多目标优化的加密图像可逆信息隐藏[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1716-1723.
[12]	张金泉, 徐寿伟, 李信诚, 王重洋, 徐景芝. 基于正交自适应鲸鱼优化的云计算任务调度[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1516-1523.
[13]	张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 599-605.
[14]	郭潇, 李春山, 张宇跃, 初佃辉. 基于自适应多目标强化学习的服务集成方法[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3500-3505.
[15]	罗明宇, 骆晓萌, 朱文敏, 张磊, 范秀敏. 船舶狭小空间虚拟人维修姿态建模技术[J]. 计算机应用, 2021, 41(8): 2466-2472.

GPU加速的演化算法求解多目标流水车间调度问题

GPU-accelerated evolutionary optimization of multi-objective flow shop scheduling problems

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 26

相关文章 15

编辑推荐

Metrics