从单一规则到自适应启发式族：集成、任务驱动、偏好驱动与Transformer引导的遗传编程

动态柔性作业车间调度（DFJSS）中，单一启发式规则难以适应工作负载、任务设置和目标偏好的持续变化。报告探讨遗传编程（GP）如何突破单一规则学习，构建更具适应性和可解释性的启发式规则族，包括：利用多个规则协同决策的集成GP；借助任务信息实现跨任务适应的任务感知GP；面向不同多目标权衡的偏好感知GP与帕累托解集学习；以及利用Transformer指导符号搜索、提高效率的Transformer引导GP。报告指出，可解释启发式学习正由单一规则发现转向自适应规则族设计，从而支持多样性、知识迁移和偏好适应。与黑箱方法相比，其符号化决策逻辑更易理解和检查，对动态调度及其他变化环境下连续决策系统有重要意义。

许萌，北京理工大学自动化学院准聘教授，国家级青年人才，分别于北京理工大学获得学士和硕士学位，于新西兰惠灵顿维多利亚大学获得博士学位。曾在新加坡南洋理工大学和新加坡科技研究局（A*STAR）从事博士后研究。主要研究方向涉及智能优化调度、自动算法设计、遗传编程、进化计算方法及其多领域应用，长期致力于智能制造与智慧物流系统中的复杂调度问题及其自动算法设计研究。