问答及答辩结果在线视频

好 下面我们进入第二个环节

那么请各位老师提问

我先来学习

感谢王老师请我

给我这次学习的机会

每次学习完之后

回去对我的学生都是一种

对他提高更多要求

就是这个工作我觉得

工作量多 文章也多

奖励多 学术也多

这个也是做的非常好的一个工作

还有很多优点我就不说了

就是我想有几个问题

跟你探讨一下

就是咱们这个

主要做了五个工作 是吧

每个都有一个算法

有一个问题

然后呢每一个算法呢

当然包括它从它的这个算子

它的参数 为什么是这么来做

你都是通过了一些

这个仿真比较得出来的

包括对它算法的一个收敛性

做了一些证明

最后呢也跟应该说是

目前主流的这个杂志

一些文章的工作进行了对比

但这个地方我想问一下就是

比如说第一个工作

咱们主要是跟那个EJOR上的一个GA算法对比

对

所以我想问一下

就是这个GA这个工作

在这个问题上面

它处于什么样的一个水平

对于这个测试集

这个GA是目前

已发表的成果中最好的结果

对

这个就是可能我觉得建议

可能要在文章里面要

说明一下

我也没找到这样的一个证据

反正我

你比方说这个文章如果是我写的

我可能就是只处于这个

后百分之五十的水平

那说明你的工作就

水平也没有凸显出来

后面还有几个 这是一个

第二个问题就是说

你的第一个工作

是跟了一个算法比了

然后第二个工作呢跟了

跟四个算法比了 我看了一下

那么第一个工作如果说

GA算法解决了你第一个问题

那篇文章是最好的

那么在你那个问题里面

像那个 像PSO啊 是吧

还有一些模拟退火啊

还有一些其他的一些算法

解决这个问题

是什么样的一个水平

为什么没有跟它们也做一个比较

是因为已发表的文献中

没有那样的算法

没有是吧

对

这是因为第一呢是这个测试问题

它数据量特别大

需要做一千多个仿真

然后呢这个测试集

也是相对来说

并行机调度中

比较难的一个测试集

其他算法大多数是做那种

数据量小一点

然后测试问题比较简单的

那样的一个测试

所以说才能就是2011年

发表的EJOR

它还能是最好的结果

也就是这个原因

我建议这个可以再补充一下

到时候

就是这样就可以把你的工作

创新的那个（水平）再突出一下

更突出一下 是吧

就是为什么只跟一个比

…

觉得比较一个

我们可能也要提个意见

这是一个 但不是问题

第二个呢就是

从我的理解不一定准确

就是五个工作

前面四个工作

可能在理论上面 方法上面

做了很多的工作 是吧

第一个是解决不相关并行机的问题

第二个解决多目标柔性作业车间的问题

第三个是解决随机混合流水线的问题

第四个解决分布式流水装配的问题

然后第五个问题呢

我理解的肯定是

跟前面四个问题比较的

可能偏一个实际应用的一个问题

对

那这个 这个咱们所解决的

这个半导体

最终测试这个问题

它跟前面那四种问题类型

是个什么样的一个关系

它属于一个更加复杂的

更加复杂的

柔性调度问题

那它是属于不相关 多目标

随机 分布式

还是这两者的一个叠加

其实就是很多问题

特性的叠加了

是吧

对

我觉得这个有可能就是

以后有可能还再把这个问题

跟前面的问题之间

就是再梳理一下

这样的话呢就是

文章可能更加紧密 这是一个

第二个呢就是解决第五个

第五个这个工作的

里面提到了一个混合的EDA

是吧

这个混合我看了一下

可能跟前面提的这个EDA-IG

B-EDA 是吧

还有这个EDA-LS

这个混合跟前面的混合

是个什么样的一个

一个关系

还是说就是一个

又是一个全新的一个

在这个算法的命名上主要是这样

前几个工作中

算法的命名主要是用来突出

这个算法它独有的特点

比如说第一个是因为

将EDA和IG混合了

所以我们将它命名为EDA-IG算法

第二个算法呢是因为

它是双种群的

所以我们命名为B-EDA

第三个算法呢是它是基于

这个OCBA的一个机制的算法

因此我命名为是O-EDA

第四个算法是

将EDA和基于关键路径的

局部搜索混合

因此我命名的是EDA-LS

然后因为第五项工作是

更注重是

应用前面的一个探讨

所以说我们比较注重

算法的实用性

那么我们设计的是一个

非常简单的局部搜索操作

和EDA混合的

所以说就简单的将它命名为一个

混合EDA了

那肯定是我理解的问题

我以为是你把前面四个混合了

然后最后解决第五个这个问题

行

我就有这样一些不明白的问题

跟你探讨 谢谢

我也在这学习一下

刚才陶老师讲了

这个工作是做的非常出色的

一个博士论文

发了很多很多好的文章

值得我们学习 值得学习

做得非常不错

然后呢我有两个小的问题

跟你这个探讨一下

因为你做这个

前面提到这个

基本上就是五种这个这个算法

这个算法呢

这里面的一个问题可能是

最重要的还是一个概率模型

怎么去建

然后编码怎么去弄 对

这里面呢有一个小的问题就是说

你做这个工作当中

因为都是基于种群的嘛

这种优化策略

在这个精英保留和这个

种群的多样性之间

怎么去考虑这方面的问题

精英保留的多样性是不是损失了

还是怎么弄这个

考虑一下这个问题

第二个问题呢就是这个

这几种算法

混合 IG B-EDA

都是针对不同的这个问题 是吧

提出来一个方法

有一个问题需要

也不是问题

跟你探讨

这几种方法之间是有没有关系

比如说解决这个这个

不相关的问题

后面提的算法

能不能解决前面这些问题

就是算法它们四个算法之间

有没有

有没有这个比较的话

都是优化算法

是不是都能也能解决这个问题

这个算法也能解决那个问题

有没有这样的考虑

对于第一个问题呢

是这样的

就是我们是用精英解

来更新各类模型

那么这个概率模型

更新得是否合适

它直接体现到算法的性能上

同样种群的多样性

它能否保持或者丧失

它也直接会体现到算法的性能上

那么我们选择多大比例的精英解

去更新概率模型

才是更直接决定我下一代

种群多样性如何

或者说我整个算法性能

如何的一个决定性的参数

而在参数

在参数设置环节

我们也探讨了这样的一个参数

对于算法性能的影响

是怎么样的

所以我认为

对于精英解的选择机制

对于算法性能影响

是通过这个参数

可以直观的体现的

然后对于第二个问题呢

因为这个前面这几种算法

都是针对特定的问题

要设计一个特定的概率模型

和搜索机制才能实现的

因此它是适用于求解

这类特定的柔性调度问题的

而我考虑的是几类不同类型的

柔性调度问题

所以说本身这几类算法之间

是没有可比性的

但是这里需要说明的是

因为我们在第二项工作中

提出的是双种群的EDA

而这种双种群

协同进化机制的EDA

是完全可以求解其他别的问题的

同样在第三个问题上

我们将OCBA的机制

引入到我们EDA当中来

那么这个O-EDA

这个框架也是可以求解其他的

不确定性调度问题的

这个是完全可以做的

是有的算法可以解决

可能有的算法针对具体的问题

就是我们的算法

可扩展性还是很强的

就是我们一直在强调

我们近五年的重点是基于知识型的智能优化算法

你探讨了

比如刚才讲的精英集的规模

对算法是有影响的

但现在比较可惜的是

目前所有的方法里面

参数是固定的

所以我为什么要讲知识型呢

就是这个参数能够随着

进化性能

就是说多样性

我们有定量化的刻画

优化质量当然这个比较容易刻画

所以这个这两者指标的变化

我们能够自动的

产生一种更新机制

这样的方法可能就更有生命力

好

我问的问题

可能跟刚才这个耿老师问的有点像

就是你做了很多工作

工作量也很大

然后呢你把不同的EDA的方法

包括它的一个组合方法

应用多了不同的车间调度问题上

那我想问一下

就是说无论你是这个

迭代贪婪 还是说这个双种群EDA

就是你这里边

最关键有一个这个概率的

这么一个更新的一个模型

就是这个模型

针对于不同的问题

它的参数是什么

在什么地方会发生变化

主要会体现在哪些参数上

会发生变化呢

这个就像我刚才

在介绍过程中强调的那样

对于不同的问题

我们概率模型更新的时候

考察的是精英种群中

不同的信息

这个是跟问题相关的

然后根据我们对问题特性的分析

才能选取精英集中哪一部分信息

来更新概率模型

这个对于不同的问题

肯定都是不一样的

然后对于这个更新中

它最重要的一个参数

就是一个学习速率

那么这个学习速率呢

是控制整个概率模型

它更新的一个速度的

就是那个/eta是吗

对 在不同的那个里面

就是有的可能只有一个学习速率

有的比如说

双矩阵的我就用了两个学习速率

那么这个每个学习速率

我们都在算法参数设置环节

进行了讨论和分析

基于DOE是分析过

这个参数的性能的

还有一个问题就是

我看那个绪论

就是说你说这个EDA的这个方法

可以分为离散型的一个

对

连续型的一个

当然你这里

我估计大部分都是离散的 是吧

对 因为调度问题

本身是离散的

就是说你能不能简单的

给我们介绍一下

如果是说这个

连续的这个EDA

它在仿真上

或者在计算量上

跟离散的这个EDA上

会有什么不同

或者说会不会有难度

就是说可能是

难度会差别很大

这个因为我也曾经

尝试开展过一些

连续EDA方面的研究

从算法本身

就是从EDA算法的本身这个层面

它是并没有增加额外的难度的

并且其实求解连续问题

就是做函数的话

要更容易一些

通常主流做法是

我们来构建一个贝叶斯网络

或者是采用简单的高斯分布

这样的一个基本的概率模型的

假设的情况下

来进行每个连续量的采样

然后其实做连续问题上

可能在EDA层面

这个算法层面

可以分析的东西更多一些

但是由于我们的这个调度问题

主要还是都是离散问题

所以我的工作是

重点在于这个离散的EDA

就是

他做的工作是做的比较的多

然后思路上都是有创新的

那么我先提个小问题

一个就是关于随机问题

这个随机是很讨厌的东西

那么你在当中提到了

不确定因素很多

对

就选择了随机加工时间来研究

对

但是如果有同时有几种随机因素

加工时间、工件运输过程

那么如果随机因素多了以后

你怎么考虑

包括机床的故障

包括机床的故障

比如工件掉下来了

或者你安排的时候工件还没在

就是有很多不确定的因素

那么加工时间这个因素我觉得还

比较简单

比较简单

对对对

如果多了 而且复杂了

那么你怎么考虑

这是第一个问题

第二个呢就是

（从）半导体这个

那个我比较

比较重视的说

这些我们用了很多新的方法

还是实践是检验真理的标准

你怎么去检验

那么当然你做了好多好多benchmark问题

上百上千那么在做

他做的很多工作

应该说是能说明它的有效性

但是我呢

一个呢就是说

你这个算法比较选择的是

这几种

是不是这几种是最好的

对

是不是还有别的

就是因为半导体现在是比较

比较普遍的一个工业了

那么你是不是还有更好的算法

你没放在里头 这是一个

第二个问题呢就是说

就是我想让你考虑一下

如果说你把你的算法

用到现场去

你觉得有没有把握

因为这个是

我认为这是

如果是你这么做了

当然我们觉得很有效

如果我在现场做了一个

OK 没人能再说别的问题

那就绝对是可靠而且是有效

那么这个问题呢的确是很难

尤其在那么短的时间

才五年

你要去做这个实际工作

那就工作量非常非常大

但是我觉得你应该

作为一个比较完整的培养

你得考虑一下

如果我把这个放到实际中去

会有什么问题

那个有没有信心用上去

就这两个问题

好 好的 谢谢金老师

对于第一个问题呢

因为这个对于

不确定柔性调度研究

只是我这个博士论文研究的

一个子问题吧

而实际上不确定调度的研究

是一个非常非常大的一个方面

那么根据最近在这个

IJCIM上发表的一个

综述性的文章

它大致是将不确定调度问题

分成这样几类

一类是属于机器的随机breakdown

就是机器随机损坏

然后另外一类是工件的随机到达

就是不管

它是因为什么样的因素吧

反正工件到达

它并不是那么确定的

然后第三类

是整个加工数据的不确定

加工数据的不确定包括比如说

加工时间的不确定

就是诸如此类的

那么我们研究的

就是属于加工时间不确定

这一个分支

对于另外两个分支的

不确定调度问题呢

这个我也在着手做一些工作

比如说也是我们考虑的

一个实际的半导体制造过程中

它既有机器随机的故障

它也存在工件的随机到达

并且它这个各个阶段

它的那个buffer还是有限的 对

我们也在考虑这样的一个工作

而在算法设计层面

这些约束往往是体现在

编码和解码的过程中的

也就是说

我们只要能很好的处理好

一个编码和解码这两个策略

那么就可以很完美的去解决

不是 去提出一个

求解这个问题的算法

然后对于第二个问题就是

那个半导体最终测试的这项

实际应用的探讨

这个问题的仿真数据呢

是台湾清华大学

Chien教授课题组

他们

去厂子里实际拿到的一个数据

他们做的仿真

而我比较的几个算法

是在学术界已经发表的成果中

最好的几个算法

然后因为我们也进行了

比较全面的仿真

包括我也给出了这个

仿真时间的数据

确实是大大缩短了这个

算法的运行时间

所以我还是觉得

比较有信心

这个算法是可以直接

拿到厂子里做在线的调度的

谢谢你回答了这么好的问题

我提几个问题

因为你的论文我评阅了 看了

我也学习了很多

我觉得做的真的非常好

因为我是关心就是

我们未来的这个成果的价值

所以我提几个问题呢

你考虑一下

第一个问题呢就是

你刚才讲的时候

这个Pareto最优的那个问题

我觉得你没说清楚

你是不是再花一分钟

给大家说一下

因为我们印象当中

多指标转化为单指标

我们是最好接受的

然后你说了我不用这个转化的

我用Pareto最优

你花一两分钟解释一下

为什么要这样

这个是这样的

就是现在比较主流的

两大类多目标处理方法

分别是加权和Pareto方法

那么加权法它是非常好理解

就是我有多个目标呢

我就为每个目标

设置一个权重

然后将它加权起来

这样一个多目标问题

就通过一个加权来转化成为一个

单目标的一个评价函数

我只要优化这个评价函数就行了

但是这种加权法

它有一个弊端

第一呢是我给每个目标

设置多少的权重合适

那么这个通常是需要一个

比如说是实际现场的一个

经验性的就是

我这个决策者我更关心哪个目标

那么我比如说我就设置

这个权重大一点

或者小一点之类的

然后第二个问题就是

通常来讲

大部分这种加权类的算法

我运行一次只能得到一个优化解

因为它是在当前

加权情况下的一个优化解

那么如果我想提供多个方案

给我的决策者来参考的话

我就需要反复的运行这个算法

或者我去在算法运行过程中

不断的变这个权重

而加权法它通常

这个权重就是决策者给你的

那么你去变可能也不是

太合适这种方法

所以说这个方法是有一定的弊端

所以现在更多的研究者

开始逐渐采用这个Pareto方法

来进行多目标的优化

那么在调度的层面呢

因为我们一个生产调度

可能有时候不仅仅考虑的是

我的完成时间这个指标

我要考虑其他的

比如说一些近几年

在绿色制造的概念下

我考虑碳排放

或者是用电量最小这类的

那么我有同时多个指标的时候

我基于Pareto这个概念

设计的算法可以在一次运行

就得到多个互相不支配的

Pareto最优解

那么决策者就可以根据

他的需要或者他的喜好

在提供的这个解集中

去选择一个或者几个方案

去执行就可以了

他不需要预先设置权重

并且整个算法运行一次

也可以得到一组解

所以说近些年更多的多目标研究

大多数都是基于Pareto方法的

所以我们也是在这个

Pareto意义下进行的研究

你能够保证

你的这个几组解

互相之间都能够达到比较好吗

这个我们一般讲

单目标我可以讲优化

多目标我一般都只能讲折中

讲协调

对

你同意吗

同意 同意

好

我为什么问你这个问题呢

这个正是你刚才讲的

我正是想问你这个问题

就是你刚才提的指标

更多的都是做Makespan

对

其实现在的工业

更多的讲你论文当中提的

多工厂协作 对吧

第二个呢绿色

第三个呢我成本最低

所以呢我就想问呢

就是你这个论文的整篇

都是以Makespan为主要的

往那些指标上去做

你是准备用这个多目标的

这个方法去做呢

还是我另外给一套指标体系

就只算Cost

只算这个节能减排

就是我听一听你的想法

好 就是在我们这个第二项工作中呢

因为我们同时是

考虑这三种指标

然后呢对于其他指标

或者其他的问题

这种多目标的EDA

就是多目标的双种群EDA

它是完全可以直接应用于

求解那些问题

因为方法论上是一样的

就是多目标

这个目标有多少

就是目标的数量其实也并不是

直接影响到这个算法的设计的

这个都是没有问题的

这个算法可以直接扩展到

求解其他目标

或者求解其他的多目标问题

都是没有问题的

然后这也是因为

这个是整个博士论文工作一个

小方向吧

就是进行了扩展探讨多目标优化

然后对于其他的

我考虑的那几个问题

当然也可以考虑其他的指标

这个也是后续可以

再去开展的工作

会有人follow这个工作吗

课题组是有人follow我的工作的

对对

挺麻烦 不好比较

但是现在在这个包括工业4.0

然后美国讲工业互联网

其实它讲到的跨工厂的

协调优化问题

必须要考虑到什么呢

不能光考虑到你刚才讲的

我多工厂之间Makespan最小

不可能的

对对

我在昌平加工一个

再搬到清华来加工

我这个路上得消耗多少运输能源

对

不合算

所以你必须考虑到这些约束以后

那你的这个问题呢

人家才觉得有真正的运用价值

对

所以我为什么要把这个指标

给你提出来

好 最后一个问题呢

我想这样的

因为你论文做的真的很好

所以我想你自己啊评估一下

就是基于概率模型的这个方法

它最大的不足是什么

你自己点评

不是说 是说这样的

这个 这个是一个方向

但是我们知道没有任何事情

是永远都好

所以我就希望你

在这个答辩当中告诉大家

别盲目的相信

碰到什么问题

干不了这事 简单的说一下

好 其实呢

从我大三的时候

就进入课题组

跟王老师学习

到现在接触EDA呢

也算是做EDA的

这个方向的研究者里呢

相对来说时间比较长的了

然后我认为它的优势呢

本身还是比较明显的

就是它是在宏观层面

进行搜索和优化

所以它全局搜索能力很强

收敛的速度也很快

另外一个突出优势就是

EDA是非常非常适合

求解多目标问题的

因为一个概率模型

可以表征解空间中

一个区域的优良信息

而这个是其他算法所不能比的

那么优点我就不再详细的说了

那么对于范老师提的问题

它的劣势是什么呢

第一是对于这个算法的

研究者的要求非常高

是必须要能非常透彻的

分析这个问题的特性和结构

来决定这个概率模型

考察的是哪些变量

以及概率模型怎么设计和更新

而这个并不是那么容易做的

如果这个设计不好的话

这个算法性能其实应该

很难特别好

第二 就是EDA

它全局搜索能力强

而整个算法的框架中

缺少局部搜索

这个也是为什么

我在我的算法中

将EDA和IG

和基于关于路径的局部搜索

就是为什么去做那些混合

就是甚至这个工作中

为什么要考虑协同进化

也都是因为这点原因

它的全局搜索能力很强

但是细搜索能力比较差

需要算法的设计者

在全局搜索和局部搜索之间

寻找一个合理的平衡

我认为这个是两点

非常需要注意的

你回答的非常的经典

其他老师和同学

有什么问题吗

没有了 不好意思提啊

没关系

好 那那个各位老师和同学

要没有什么问题的话

我们前面的陈述和提问的环节

我们就到这

下面呢我们的同学们回避

我们那个答辩组讨论一下

答辩的意见

好 王圣尧同学

经过我们答辩委员会

认真的讨论

我们形成了

这样一个答辩决议

我现在代表答辩委员会

向你宣读一下答辩决议

柔性生产调度问题

是当前学术和工程界

关注的热点问题

选题具有重要的理论意义

和应用价值

论文的创新性成果有

一 针对不相关

并行机调度问题

给出了makespan指标下

判断邻域搜索操作

有效性的充要条件

提出了一种带有迭代贪婪搜索的

分布估计算法

二 针对多目标

柔性作业车间调度问题

设计了种群分裂机制

和子种群搜索策略

提出了一种双种群分布估计算法

三 针对随机混合

流水车间调度问题

设计了基于最优计算量分配的

概率模型更新机制

提出了一种基于序的

分布估计算法

四 针对分布式

流水装配调度问题

设计了基于关键路径的

局部搜索策略

提出了一种

带有局部搜索的分布估计算法

五 结合半导体最终测试

调度问题

提出了一种混合分布估计算法

采用实例数据

验证了算法在优化质量

与效率方面的优越性

论文研究成果表明

王圣尧同学具有

坚实宽广的基础理论

和系统深入的专门知识

独立从事学术研究的能力强

论文结构合理

条例分明 写作规范

答辩过程中讲述清楚

回答问题正确

答辩委员会六人

经无记名投票

一致同意王圣尧同学

通过博士学位论文答辩

建议授予王圣尧同学

工学博士学位

并一致推荐本论文

为优秀博士学位论文