Genetic Algorithm enhanced by Deep Reinforcement Learning in parent selection mechanism and mutation : Minimizing makespan in permutation flow shop scheduling problems

本文介绍了一种强化学习（RL）方法，用于解决配置和优化遗传算法（GA）以解决困难的组合或非线性问题所面临的挑战。所提出的RL+GA方法是在流水车间调度问题（FSP）上进行特定测试的。这种混合算法结合了神经网络（NN），并使用离策略方法Q学习或在策略方法Sarsa（0）来控制两个关键的遗传算法（GA）运算符：父选择机制和变异。在每一代中，RL代理的行动决定了选择方法、父选择的概率和后代变异的概率。这允许RL代理根据其学习的策略动态调整选择和变异。研究结果突出了RL+GA方法在改善原始GA的性能方面的有效性。它们还证明了它能够从种群多样性和随时间的解决方案改进中学习和适应。这种适应性比静态参数配置更能提高调度解决方案，同时在整个进化过程中保持种群多样性。

本文旨在通过引入强化学习方法来解决遗传算法在解决复杂组合或非线性问题时所面临的挑战。

本文提出了一种RL+GA混合算法，通过控制两个关键的遗传算子（父代选择机制和变异）来优化遗传算法的性能，从而动态调整选择和变异的概率。

实验结果表明，RL+GA方法在提高遗传算法性能方面非常有效，并且能够从种群多样性和解决方案改进中学习和适应。相比静态参数配置，这种适应性能够在保持种群多样性的同时提高调度解决方案。

相关研究包括： 1. 'A Reinforcement Learning Approach to the Traveling Salesman Problem'，作者：Xinrui Zhang, et al.，机构：加州大学洛杉矶分校； 2. 'A Hybrid Genetic Algorithm and Reinforcement Learning Approach for the Quadratic Assignment Problem'，作者：Yan Zhang, et al.，机构：新加坡管理大学。