目前在煉廠中，汽油調合排程問題基本都是依靠人工排程，已有研究成果並沒有很好地應用在實際出產中。
華東理工大學堵威副教授團隊透過和煉廠排程員的交流，以為原因主要在於已有的最佳化方法在出產過程工況發生改變時，需要進行引數、策略等的重新設定，這些繁瑣的工作大大降低了排程員使用最佳化演算法的積極性。
圖 | 堵威團隊（來源：堵威）
因此在近期一項研究中，堵威和團隊但願結合擴散模型和多目標最佳化技術，以解決產業過程排程最佳化問題。
汽油調合主要目的是從煉廠現有資源的角度出發，綜合考慮煉油企業的調合能力、產品市場需求和產品指標等因素，儘可能地最佳化組分油和成品油的庫存，在滿意上層需求計劃的同時，使得煉廠經濟效益最大化。
該問題面臨大規模、大量約束、混合整數、非線性等挑戰，之前的研究都側重於在建模側降低問題的複雜度，從而使得現有最佳化器能夠求解。
然而這些對於問題進行額外假設的方法，很大程度上限制了終極解的上限，並且這些假設通常基於特定的工況，一旦應用於不同規模、不同原料、不同管道結構的工況，整個方法就需要從建模層面推倒重來。
這無疑不利於所設計方法的通用性，這也導致了在目前實際產業現場，排程員往往依靠人工經驗進行汽油調合排程的工作。
因此本研究嘗試有效解決貼合實際產業應用場景的汽油調合排程問題。但是，過往的方法不論是基於傳統運籌學的數學規劃最佳化器，仍是近年興起的基於隨機最佳化的進化演算法，都難以有效解決大規模、含有大量約束的混合整數最佳化問題。
因此有必要使用一種在原理上截然不同的新方法。而本研究透過所提出的方法——基於擴散模型的多目標最佳化演算法（Diffusion model-based Multiobjective Optimization，DMO），利用“排程過程的甘特圖是一種影象”這一性質，巧妙地將擴散模型這一影象天生領域的代表模型引入排程最佳化領域。
課題組透過使用擴散模型學習歷史操縱資料的分佈，並在目標梯度的輔助下進行迭代獲得終極解。
實驗結果顯示，DMO 不僅可以進步煉油過程的出產效率，還可以降低成本並改善產品質量，這也填補了先前研究的空缺，為產業排程最佳化提供了全新的思路。
DMO 從問題的原始形式著手，其獨一依靠的是歷史操縱資料，這對於工廠來說是非常容易獲取的，因此使用 DMO 不會額外增加排程員的負擔。
同時 DMO 的執行效率非常快，排程員可以反覆嘗試，從而降低學習該工具的時間本錢。
在 DMO 應用的最初階段，排程員可以透過 DMO 天生的最優解作為參考，從而輔助人工排程，終極過渡到使用演算法進行求解。
因此，在汽油調合排程問題上，DMO 克服了既往方法的缺陷，使得其能夠在實際出產中獲得廣泛應用。
而對於其他應用場景，課題組以為：
首先，DMO 在煉廠的其他出產環節中同樣擁有巨大的應用潛力，例如原油排程等，這些問題和汽油調合排程具有類似的性質。
其次，他們以為 DMO 在產品設計問題上，也具有巨大的應用潛力，這些問題通常也具有大量最佳化引數、複雜約束、多目標等性質，DMO 可以天生大量具有不同特性的解，即使這些解無法終極真正實用化，也仍舊可以匡助、啟發設計職員開展進一步的設計。
事實上，在他們之前的工作中，課題組已經針對汽油調合排程問題做了很多研究，並與煉廠排程員進行了多次交流。
對該問題的特性和現有方法的缺陷已有詳細的瞭解，他們意識到若想讓演算法具有應用價值，需要遵循以下兩點：
其一，儘可能地按照原始資料進行建模，以保證演算法的適用性；
其二，煉廠的外部環境是變化的，其對於損耗和效率之間的妥協不是一塵不變的，因此其應當視作一個多目標問題。
前者會導致大量的決議計劃變數和約束，後者需要一次天生大量解構成 Pareto 前沿，這都會進步問題的複雜度，遠超傳統最佳化演算法和進化演算法的能力範疇，因此他們需要尋找一種嶄新的方法。
他們留意到，近年來擴散模型（Diffusion model）在影象天生領域開始崛起，其透過從高斯噪聲中反覆迭代天生圖片的方式，迅速壓倒了之前廣泛使用的天生模型——天生對抗網路（Generative Adversarial Network，GAN）。
擴散模型一方面能處理圖片畫素這樣眾多的引數，另一方面深度學習中基於批次的使用方法能同時天生大量的解，這滿意上文提到的兩個要求。
而更加樞紐的是，擴散模型反覆迭代的特性在影象天生領域是一個缺點，其意味著消耗大量的算力和較長的運算時間。
但是在最佳化領域，這種過程很輕易和最佳化演算法中的迭代聯絡到一起，在統一批次中的解就像是進化演算法中的一個種群，而擴散模型每次迭代解，就猶如進化演算法中的變異操縱。
這種相似性，讓他們著手於將擴散模型應用於汽油調合排程最佳化問題中。
因為將擴散模型應用於最佳化問題是一個嶄新的嘗試，並無現成工作可以鑑戒。
同時在影象天生領域中關於擴散模型的研究，也側重於減少計算量、豐碩天生內容為主，無法直接挪用到最佳化領域，因此“從無到有”開展本研究面臨著不少難題。
研究中，他們參考擴散模型的早期架構，即使用獨立的判別器來輔助天生指定內容，使用目標函式來替換判別器。
在搭框架構建好之後，仍舊有很多抉擇，例如網路是使用 CNN、仍是 Transformer？目標之間的權重如何設計？如何實現對於多目標最佳化？是否加入的選擇機制？
經由反覆實驗，他們決定了目前所使用的 DMO 方法。終極，實驗結果證實了他們的直覺是正確的，DMO 比擬對比演算法具有明顯的上風。
堵威表示：“這項工作的合作者包括歐洲科學院院士、IEEE Fellow、西湖大學金耀初教授，IEEE Fellow、美國俄克拉荷馬州立大學 Gary G. Yen 教授，IEEE Fellow、華東理工大學唐漾教授等。”
他們都是人工智慧領域的權勢鉅子學者，在堵威最初和他們探討 idea 時，他們無一不覺得這個 idea 非常有趣，尤其利用“甘特圖是一種影象”這一事實，巧妙地將擴散模型這一天生模型技術引入到排程最佳化問題的求解中。
這也給堵威和團隊帶來了極大的鼓舞，讓他們意識到自己的研究工作處於國際學術前沿位置。
日前，相關論文以《基於擴散模型的汽油調合排程多目標最佳化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）為題發表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。
碩士研究生方文軒是第一作者，堵威擔任通訊作者[1]。
在後續的研究中，他們計劃結合更多實際出產資料和實驗結果，驗證並完善他們提出的方法。此外，也將探索本次方法在其他產業過程的應用潛力，將其用於完全不同型別的最佳化問題中，例如組合最佳化問題等。
參考資料：
1.https://arxiv.org/pdf/2402.14600.pdf
運營/排版：何晨龍
目前在煉廠中，汽油調合排程問題基本都是依靠人工排程，已有研究成果並沒有很好地應用在實際出產中。
華東理工大學堵威副教授團隊透過和煉廠排程員的交流，以為原因主要在於已有的最佳化方法在出產過程工況發生改變時，需要進行引數、策略等的重新設定，這些繁瑣的工作大大降低了排程員使用最佳化演算法的積極性。
圖 | 堵威團隊（來源：堵威）
因此在近期一項研究中，堵威和團隊但願結合擴散模型和多目標最佳化技術，以解決產業過程排程最佳化問題。
汽油調合主要目的是從煉廠現有資源的角度出發，綜合考慮煉油企業的調合能力、產品市場需求和產品指標等因素，儘可能地最佳化組分油和成品油的庫存，在滿意上層需求計劃的同時，使得煉廠經濟效益最大化。
該問題面臨大規模、大量約束、混合整數、非線性等挑戰，之前的研究都側重於在建模側降低問題的複雜度，從而使得現有最佳化器能夠求解。
然而這些對於問題進行額外假設的方法，很大程度上限制了終極解的上限，並且這些假設通常基於特定的工況，一旦應用於不同規模、不同原料、不同管道結構的工況，整個方法就需要從建模層面推倒重來。
這無疑不利於所設計方法的通用性，這也導致了在目前實際產業現場，排程員往往依靠人工經驗進行汽油調合排程的工作。
因此本研究嘗試有效解決貼合實際產業應用場景的汽油調合排程問題。但是，過往的方法不論是基於傳統運籌學的數學規劃最佳化器，仍是近年興起的基於隨機最佳化的進化演算法，都難以有效解決大規模、含有大量約束的混合整數最佳化問題。
因此有必要使用一種在原理上截然不同的新方法。而本研究透過所提出的方法——基於擴散模型的多目標最佳化演算法（Diffusion model-based Multiobjective Optimization，DMO），利用“排程過程的甘特圖是一種影象”這一性質，巧妙地將擴散模型這一影象天生領域的代表模型引入排程最佳化領域。
課題組透過使用擴散模型學習歷史操縱資料的分佈，並在目標梯度的輔助下進行迭代獲得終極解。
實驗結果顯示，DMO 不僅可以進步煉油過程的出產效率，還可以降低成本並改善產品質量，這也填補了先前研究的空缺，為產業排程最佳化提供了全新的思路。
DMO 從問題的原始形式著手，其獨一依靠的是歷史操縱資料，這對於工廠來說是非常容易獲取的，因此使用 DMO 不會額外增加排程員的負擔。
同時 DMO 的執行效率非常快，排程員可以反覆嘗試，從而降低學習該工具的時間本錢。
在 DMO 應用的最初階段，排程員可以透過 DMO 天生的最優解作為參考，從而輔助人工排程，終極過渡到使用演算法進行求解。
因此，在汽油調合排程問題上，DMO 克服了既往方法的缺陷，使得其能夠在實際出產中獲得廣泛應用。
而對於其他應用場景，課題組以為：
首先，DMO 在煉廠的其他出產環節中同樣擁有巨大的應用潛力，例如原油排程等，這些問題和汽油調合排程具有類似的性質。
其次，他們以為 DMO 在產品設計問題上，也具有巨大的應用潛力，這些問題通常也具有大量最佳化引數、複雜約束、多目標等性質，DMO 可以天生大量具有不同特性的解，即使這些解無法終極真正實用化，也仍舊可以匡助、啟發設計職員開展進一步的設計。
事實上，在他們之前的工作中，課題組已經針對汽油調合排程問題做了很多研究，並與煉廠排程員進行了多次交流。
對該問題的特性和現有方法的缺陷已有詳細的瞭解，他們意識到若想讓演算法具有應用價值，需要遵循以下兩點：
其一，儘可能地按照原始資料進行建模，以保證演算法的適用性；
其二，煉廠的外部環境是變化的，其對於損耗和效率之間的妥協不是一塵不變的，因此其應當視作一個多目標問題。
前者會導致大量的決議計劃變數和約束，後者需要一次天生大量解構成 Pareto 前沿，這都會進步問題的複雜度，遠超傳統最佳化演算法和進化演算法的能力範疇，因此他們需要尋找一種嶄新的方法。
他們留意到，近年來擴散模型（Diffusion model）在影象天生領域開始崛起，其透過從高斯噪聲中反覆迭代天生圖片的方式，迅速壓倒了之前廣泛使用的天生模型——天生對抗網路（Generative Adversarial Network，GAN）。
擴散模型一方面能處理圖片畫素這樣眾多的引數，另一方面深度學習中基於批次的使用方法能同時天生大量的解，這滿意上文提到的兩個要求。
而更加樞紐的是，擴散模型反覆迭代的特性在影象天生領域是一個缺點，其意味著消耗大量的算力和較長的運算時間。
但是在最佳化領域，這種過程很輕易和最佳化演算法中的迭代聯絡到一起，在統一批次中的解就像是進化演算法中的一個種群，而擴散模型每次迭代解，就猶如進化演算法中的變異操縱。
這種相似性，讓他們著手於將擴散模型應用於汽油調合排程最佳化問題中。
因為將擴散模型應用於最佳化問題是一個嶄新的嘗試，並無現成工作可以鑑戒。
同時在影象天生領域中關於擴散模型的研究，也側重於減少計算量、豐碩天生內容為主，無法直接挪用到最佳化領域，因此“從無到有”開展本研究面臨著不少難題。
研究中，他們參考擴散模型的早期架構，即使用獨立的判別器來輔助天生指定內容，使用目標函式來替換判別器。
在搭框架構建好之後，仍舊有很多抉擇，例如網路是使用 CNN、仍是 Transformer？目標之間的權重如何設計？如何實現對於多目標最佳化？是否加入的選擇機制？
經由反覆實驗，他們決定了目前所使用的 DMO 方法。終極，實驗結果證實了他們的直覺是正確的，DMO 比擬對比演算法具有明顯的上風。
堵威表示：“這項工作的合作者包括歐洲科學院院士、IEEE Fellow、西湖大學金耀初教授，IEEE Fellow、美國俄克拉荷馬州立大學 Gary G. Yen 教授，IEEE Fellow、華東理工大學唐漾教授等。”
他們都是人工智慧領域的權勢鉅子學者，在堵威最初和他們探討 idea 時，他們無一不覺得這個 idea 非常有趣，尤其利用“甘特圖是一種影象”這一事實，巧妙地將擴散模型這一天生模型技術引入到排程最佳化問題的求解中。
這也給堵威和團隊帶來了極大的鼓舞，讓他們意識到自己的研究工作處於國際學術前沿位置。
日前，相關論文以《基於擴散模型的汽油調合排程多目標最佳化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）為題發表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。
碩士研究生方文軒是第一作者，堵威擔任通訊作者[1]。
在後續的研究中，他們計劃結合更多實際出產資料和實驗結果，驗證並完善他們提出的方法。此外，也將探索本次方法在其他產業過程的應用潛力，將其用於完全不同型別的最佳化問題中，例如組合最佳化問題等。
參考資料：
1.https://arxiv.org/pdf/2402.14600.pdf
運營/排版：何晨龍
目前在煉廠中，汽油調合排程問題基本都是依靠人工排程，已有研究成果並沒有很好地應用在實際出產中。
華東理工大學堵威副教授團隊透過和煉廠排程員的交流，以為原因主要在於已有的最佳化方法在出產過程工況發生改變時，需要進行引數、策略等的重新設定，這些繁瑣的工作大大降低了排程員使用最佳化演算法的積極性。
圖 | 堵威團隊（來源：堵威）
因此在近期一項研究中，堵威和團隊但願結合擴散模型和多目標最佳化技術，以解決產業過程排程最佳化問題。
汽油調合主要目的是從煉廠現有資源的角度出發，綜合考慮煉油企業的調合能力、產品市場需求和產品指標等因素，儘可能地最佳化組分油和成品油的庫存，在滿意上層需求計劃的同時，使得煉廠經濟效益最大化。
該問題面臨大規模、大量約束、混合整數、非線性等挑戰，之前的研究都側重於在建模側降低問題的複雜度，從而使得現有最佳化器能夠求解。
然而這些對於問題進行額外假設的方法，很大程度上限制了終極解的上限，並且這些假設通常基於特定的工況，一旦應用於不同規模、不同原料、不同管道結構的工況，整個方法就需要從建模層面推倒重來。
這無疑不利於所設計方法的通用性，這也導致了在目前實際產業現場，排程員往往依靠人工經驗進行汽油調合排程的工作。
因此本研究嘗試有效解決貼合實際產業應用場景的汽油調合排程問題。但是，過往的方法不論是基於傳統運籌學的數學規劃最佳化器，仍是近年興起的基於隨機最佳化的進化演算法，都難以有效解決大規模、含有大量約束的混合整數最佳化問題。
因此有必要使用一種在原理上截然不同的新方法。而本研究透過所提出的方法——基於擴散模型的多目標最佳化演算法（Diffusion model-based Multiobjective Optimization，DMO），利用“排程過程的甘特圖是一種影象”這一性質，巧妙地將擴散模型這一影象天生領域的代表模型引入排程最佳化領域。
課題組透過使用擴散模型學習歷史操縱資料的分佈，並在目標梯度的輔助下進行迭代獲得終極解。
實驗結果顯示，DMO 不僅可以進步煉油過程的出產效率，還可以降低成本並改善產品質量，這也填補了先前研究的空缺，為產業排程最佳化提供了全新的思路。
DMO 從問題的原始形式著手，其獨一依靠的是歷史操縱資料，這對於工廠來說是非常容易獲取的，因此使用 DMO 不會額外增加排程員的負擔。
同時 DMO 的執行效率非常快，排程員可以反覆嘗試，從而降低學習該工具的時間本錢。
在 DMO 應用的最初階段，排程員可以透過 DMO 天生的最優解作為參考，從而輔助人工排程，終極過渡到使用演算法進行求解。
因此，在汽油調合排程問題上，DMO 克服了既往方法的缺陷，使得其能夠在實際出產中獲得廣泛應用。
而對於其他應用場景，課題組以為：
首先，DMO 在煉廠的其他出產環節中同樣擁有巨大的應用潛力，例如原油排程等，這些問題和汽油調合排程具有類似的性質。
其次，他們以為 DMO 在產品設計問題上，也具有巨大的應用潛力，這些問題通常也具有大量最佳化引數、複雜約束、多目標等性質，DMO 可以天生大量具有不同特性的解，即使這些解無法終極真正實用化，也仍舊可以匡助、啟發設計職員開展進一步的設計。
事實上，在他們之前的工作中，課題組已經針對汽油調合排程問題做了很多研究，並與煉廠排程員進行了多次交流。
對該問題的特性和現有方法的缺陷已有詳細的瞭解，他們意識到若想讓演算法具有應用價值，需要遵循以下兩點：
其一，儘可能地按照原始資料進行建模，以保證演算法的適用性；
其二，煉廠的外部環境是變化的，其對於損耗和效率之間的妥協不是一塵不變的，因此其應當視作一個多目標問題。
前者會導致大量的決議計劃變數和約束，後者需要一次天生大量解構成 Pareto 前沿，這都會進步問題的複雜度，遠超傳統最佳化演算法和進化演算法的能力範疇，因此他們需要尋找一種嶄新的方法。
他們留意到，近年來擴散模型（Diffusion model）在影象天生領域開始崛起，其透過從高斯噪聲中反覆迭代天生圖片的方式，迅速壓倒了之前廣泛使用的天生模型——天生對抗網路（Generative Adversarial Network，GAN）。
擴散模型一方面能處理圖片畫素這樣眾多的引數，另一方面深度學習中基於批次的使用方法能同時天生大量的解，這滿意上文提到的兩個要求。
而更加樞紐的是，擴散模型反覆迭代的特性在影象天生領域是一個缺點，其意味著消耗大量的算力和較長的運算時間。
但是在最佳化領域，這種過程很輕易和最佳化演算法中的迭代聯絡到一起，在統一批次中的解就像是進化演算法中的一個種群，而擴散模型每次迭代解，就猶如進化演算法中的變異操縱。
這種相似性，讓他們著手於將擴散模型應用於汽油調合排程最佳化問題中。
因為將擴散模型應用於最佳化問題是一個嶄新的嘗試，並無現成工作可以鑑戒。
同時在影象天生領域中關於擴散模型的研究，也側重於減少計算量、豐碩天生內容為主，無法直接挪用到最佳化領域，因此“從無到有”開展本研究面臨著不少難題。
研究中，他們參考擴散模型的早期架構，即使用獨立的判別器來輔助天生指定內容，使用目標函式來替換判別器。
在搭框架構建好之後，仍舊有很多抉擇，例如網路是使用 CNN、仍是 Transformer？目標之間的權重如何設計？如何實現對於多目標最佳化？是否加入的選擇機制？
經由反覆實驗，他們決定了目前所使用的 DMO 方法。終極，實驗結果證實了他們的直覺是正確的，DMO 比擬對比演算法具有明顯的上風。
堵威表示：“這項工作的合作者包括歐洲科學院院士、IEEE Fellow、西湖大學金耀初教授，IEEE Fellow、美國俄克拉荷馬州立大學 Gary G. Yen 教授，IEEE Fellow、華東理工大學唐漾教授等。”
他們都是人工智慧領域的權勢鉅子學者，在堵威最初和他們探討 idea 時，他們無一不覺得這個 idea 非常有趣，尤其利用“甘特圖是一種影象”這一事實，巧妙地將擴散模型這一天生模型技術引入到排程最佳化問題的求解中。
這也給堵威和團隊帶來了極大的鼓舞，讓他們意識到自己的研究工作處於國際學術前沿位置。
日前，相關論文以《基於擴散模型的汽油調合排程多目標最佳化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）為題發表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。
碩士研究生方文軒是第一作者，堵威擔任通訊作者[1]。
在後續的研究中，他們計劃結合更多實際出產資料和實驗結果，驗證並完善他們提出的方法。此外，也將探索本次方法在其他產業過程的應用潛力，將其用於完全不同型別的最佳化問題中，例如組合最佳化問題等。
參考資料：
1.https://arxiv.org/pdf/2402.14600.pdf
運營/排版：何晨龍
目前在煉廠中，汽油調合排程問題基本都是依靠人工排程，已有研究成果並沒有很好地應用在實際出產中。
華東理工大學堵威副教授團隊透過和煉廠排程員的交流，以為原因主要在於已有的最佳化方法在出產過程工況發生改變時，需要進行引數、策略等的重新設定，這些繁瑣的工作大大降低了排程員使用最佳化演算法的積極性。
圖 | 堵威團隊（來源：堵威）
因此在近期一項研究中，堵威和團隊但願結合擴散模型和多目標最佳化技術，以解決產業過程排程最佳化問題。
汽油調合主要目的是從煉廠現有資源的角度出發，綜合考慮煉油企業的調合能力、產品市場需求和產品指標等因素，儘可能地最佳化組分油和成品油的庫存，在滿意上層需求計劃的同時，使得煉廠經濟效益最大化。
該問題面臨大規模、大量約束、混合整數、非線性等挑戰，之前的研究都側重於在建模側降低問題的複雜度，從而使得現有最佳化器能夠求解。
然而這些對於問題進行額外假設的方法，很大程度上限制了終極解的上限，並且這些假設通常基於特定的工況，一旦應用於不同規模、不同原料、不同管道結構的工況，整個方法就需要從建模層面推倒重來。
這無疑不利於所設計方法的通用性，這也導致了在目前實際產業現場，排程員往往依靠人工經驗進行汽油調合排程的工作。
因此本研究嘗試有效解決貼合實際產業應用場景的汽油調合排程問題。但是，過往的方法不論是基於傳統運籌學的數學規劃最佳化器，仍是近年興起的基於隨機最佳化的進化演算法，都難以有效解決大規模、含有大量約束的混合整數最佳化問題。
因此有必要使用一種在原理上截然不同的新方法。而本研究透過所提出的方法——基於擴散模型的多目標最佳化演算法（Diffusion model-based Multiobjective Optimization，DMO），利用“排程過程的甘特圖是一種影象”這一性質，巧妙地將擴散模型這一影象天生領域的代表模型引入排程最佳化領域。
課題組透過使用擴散模型學習歷史操縱資料的分佈，並在目標梯度的輔助下進行迭代獲得終極解。
實驗結果顯示，DMO 不僅可以進步煉油過程的出產效率，還可以降低成本並改善產品質量，這也填補了先前研究的空缺，為產業排程最佳化提供了全新的思路。
DMO 從問題的原始形式著手，其獨一依靠的是歷史操縱資料，這對於工廠來說是非常容易獲取的，因此使用 DMO 不會額外增加排程員的負擔。
同時 DMO 的執行效率非常快，排程員可以反覆嘗試，從而降低學習該工具的時間本錢。
在 DMO 應用的最初階段，排程員可以透過 DMO 天生的最優解作為參考，從而輔助人工排程，終極過渡到使用演算法進行求解。
因此，在汽油調合排程問題上，DMO 克服了既往方法的缺陷，使得其能夠在實際出產中獲得廣泛應用。
而對於其他應用場景，課題組以為：
首先，DMO 在煉廠的其他出產環節中同樣擁有巨大的應用潛力，例如原油排程等，這些問題和汽油調合排程具有類似的性質。
其次，他們以為 DMO 在產品設計問題上，也具有巨大的應用潛力，這些問題通常也具有大量最佳化引數、複雜約束、多目標等性質，DMO 可以天生大量具有不同特性的解，即使這些解無法終極真正實用化，也仍舊可以匡助、啟發設計職員開展進一步的設計。
事實上，在他們之前的工作中，課題組已經針對汽油調合排程問題做了很多研究，並與煉廠排程員進行了多次交流。
對該問題的特性和現有方法的缺陷已有詳細的瞭解，他們意識到若想讓演算法具有應用價值，需要遵循以下兩點：
其一，儘可能地按照原始資料進行建模，以保證演算法的適用性；
其二，煉廠的外部環境是變化的，其對於損耗和效率之間的妥協不是一塵不變的，因此其應當視作一個多目標問題。
前者會導致大量的決議計劃變數和約束，後者需要一次天生大量解構成 Pareto 前沿，這都會進步問題的複雜度，遠超傳統最佳化演算法和進化演算法的能力範疇，因此他們需要尋找一種嶄新的方法。
他們留意到，近年來擴散模型（Diffusion model）在影象天生領域開始崛起，其透過從高斯噪聲中反覆迭代天生圖片的方式，迅速壓倒了之前廣泛使用的天生模型——天生對抗網路（Generative Adversarial Network，GAN）。
擴散模型一方面能處理圖片畫素這樣眾多的引數，另一方面深度學習中基於批次的使用方法能同時天生大量的解，這滿意上文提到的兩個要求。
而更加樞紐的是，擴散模型反覆迭代的特性在影象天生領域是一個缺點，其意味著消耗大量的算力和較長的運算時間。
但是在最佳化領域，這種過程很輕易和最佳化演算法中的迭代聯絡到一起，在統一批次中的解就像是進化演算法中的一個種群，而擴散模型每次迭代解，就猶如進化演算法中的變異操縱。
這種相似性，讓他們著手於將擴散模型應用於汽油調合排程最佳化問題中。
因為將擴散模型應用於最佳化問題是一個嶄新的嘗試，並無現成工作可以鑑戒。
同時在影象天生領域中關於擴散模型的研究，也側重於減少計算量、豐碩天生內容為主，無法直接挪用到最佳化領域，因此“從無到有”開展本研究面臨著不少難題。
研究中，他們參考擴散模型的早期架構，即使用獨立的判別器來輔助天生指定內容，使用目標函式來替換判別器。
在搭框架構建好之後，仍舊有很多抉擇，例如網路是使用 CNN、仍是 Transformer？目標之間的權重如何設計？如何實現對於多目標最佳化？是否加入的選擇機制？
經由反覆實驗，他們決定了目前所使用的 DMO 方法。終極，實驗結果證實了他們的直覺是正確的，DMO 比擬對比演算法具有明顯的上風。
堵威表示：“這項工作的合作者包括歐洲科學院院士、IEEE Fellow、西湖大學金耀初教授，IEEE Fellow、美國俄克拉荷馬州立大學 Gary G. Yen 教授，IEEE Fellow、華東理工大學唐漾教授等。”
他們都是人工智慧領域的權勢鉅子學者，在堵威最初和他們探討 idea 時，他們無一不覺得這個 idea 非常有趣，尤其利用“甘特圖是一種影象”這一事實，巧妙地將擴散模型這一天生模型技術引入到排程最佳化問題的求解中。
這也給堵威和團隊帶來了極大的鼓舞，讓他們意識到自己的研究工作處於國際學術前沿位置。
日前，相關論文以《基於擴散模型的汽油調合排程多目標最佳化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）為題發表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。
碩士研究生方文軒是第一作者，堵威擔任通訊作者[1]。
在後續的研究中，他們計劃結合更多實際出產資料和實驗結果，驗證並完善他們提出的方法。此外，也將探索本次方法在其他產業過程的應用潛力，將其用於完全不同型別的最佳化問題中，例如組合最佳化問題等。
參考資料：
1.https://arxiv.org/pdf/2402.14600.pdf
運營/排版：何晨龍
目前在煉廠中，汽油調合排程問題基本都是依靠人工排程，已有研究成果並沒有很好地應用在實際出產中。
華東理工大學堵威副教授團隊透過和煉廠排程員的交流，以為原因主要在於已有的最佳化方法在出產過程工況發生改變時，需要進行引數、策略等的重新設定，這些繁瑣的工作大大降低了排程員使用最佳化演算法的積極性。
圖 | 堵威團隊（來源：堵威）
因此在近期一項研究中，堵威和團隊但願結合擴散模型和多目標最佳化技術，以解決產業過程排程最佳化問題。
汽油調合主要目的是從煉廠現有資源的角度出發，綜合考慮煉油企業的調合能力、產品市場需求和產品指標等因素，儘可能地最佳化組分油和成品油的庫存，在滿意上層需求計劃的同時，使得煉廠經濟效益最大化。
該問題面臨大規模、大量約束、混合整數、非線性等挑戰，之前的研究都側重於在建模側降低問題的複雜度，從而使得現有最佳化器能夠求解。
然而這些對於問題進行額外假設的方法，很大程度上限制了終極解的上限，並且這些假設通常基於特定的工況，一旦應用於不同規模、不同原料、不同管道結構的工況，整個方法就需要從建模層面推倒重來。
這無疑不利於所設計方法的通用性，這也導致了在目前實際產業現場，排程員往往依靠人工經驗進行汽油調合排程的工作。
因此本研究嘗試有效解決貼合實際產業應用場景的汽油調合排程問題。但是，過往的方法不論是基於傳統運籌學的數學規劃最佳化器，仍是近年興起的基於隨機最佳化的進化演算法，都難以有效解決大規模、含有大量約束的混合整數最佳化問題。
因此有必要使用一種在原理上截然不同的新方法。而本研究透過所提出的方法——基於擴散模型的多目標最佳化演算法（Diffusion model-based Multiobjective Optimization，DMO），利用“排程過程的甘特圖是一種影象”這一性質，巧妙地將擴散模型這一影象天生領域的代表模型引入排程最佳化領域。
課題組透過使用擴散模型學習歷史操縱資料的分佈，並在目標梯度的輔助下進行迭代獲得終極解。
實驗結果顯示，DMO 不僅可以進步煉油過程的出產效率，還可以降低成本並改善產品質量，這也填補了先前研究的空缺，為產業排程最佳化提供了全新的思路。
DMO 從問題的原始形式著手，其獨一依靠的是歷史操縱資料，這對於工廠來說是非常容易獲取的，因此使用 DMO 不會額外增加排程員的負擔。
同時 DMO 的執行效率非常快，排程員可以反覆嘗試，從而降低學習該工具的時間本錢。
在 DMO 應用的最初階段，排程員可以透過 DMO 天生的最優解作為參考，從而輔助人工排程，終極過渡到使用演算法進行求解。
因此，在汽油調合排程問題上，DMO 克服了既往方法的缺陷，使得其能夠在實際出產中獲得廣泛應用。
而對於其他應用場景，課題組以為：
首先，DMO 在煉廠的其他出產環節中同樣擁有巨大的應用潛力，例如原油排程等，這些問題和汽油調合排程具有類似的性質。
其次，他們以為 DMO 在產品設計問題上，也具有巨大的應用潛力，這些問題通常也具有大量最佳化引數、複雜約束、多目標等性質，DMO 可以天生大量具有不同特性的解，即使這些解無法終極真正實用化，也仍舊可以匡助、啟發設計職員開展進一步的設計。
事實上，在他們之前的工作中，課題組已經針對汽油調合排程問題做了很多研究，並與煉廠排程員進行了多次交流。
對該問題的特性和現有方法的缺陷已有詳細的瞭解，他們意識到若想讓演算法具有應用價值，需要遵循以下兩點：
其一，儘可能地按照原始資料進行建模，以保證演算法的適用性；
其二，煉廠的外部環境是變化的，其對於損耗和效率之間的妥協不是一塵不變的，因此其應當視作一個多目標問題。
前者會導致大量的決議計劃變數和約束，後者需要一次天生大量解構成 Pareto 前沿，這都會進步問題的複雜度，遠超傳統最佳化演算法和進化演算法的能力範疇，因此他們需要尋找一種嶄新的方法。
他們留意到，近年來擴散模型（Diffusion model）在影象天生領域開始崛起，其透過從高斯噪聲中反覆迭代天生圖片的方式，迅速壓倒了之前廣泛使用的天生模型——天生對抗網路（Generative Adversarial Network，GAN）。
擴散模型一方面能處理圖片畫素這樣眾多的引數，另一方面深度學習中基於批次的使用方法能同時天生大量的解，這滿意上文提到的兩個要求。
而更加樞紐的是，擴散模型反覆迭代的特性在影象天生領域是一個缺點，其意味著消耗大量的算力和較長的運算時間。
但是在最佳化領域，這種過程很輕易和最佳化演算法中的迭代聯絡到一起，在統一批次中的解就像是進化演算法中的一個種群，而擴散模型每次迭代解，就猶如進化演算法中的變異操縱。
這種相似性，讓他們著手於將擴散模型應用於汽油調合排程最佳化問題中。
因為將擴散模型應用於最佳化問題是一個嶄新的嘗試，並無現成工作可以鑑戒。
同時在影象天生領域中關於擴散模型的研究，也側重於減少計算量、豐碩天生內容為主，無法直接挪用到最佳化領域，因此“從無到有”開展本研究面臨著不少難題。
研究中，他們參考擴散模型的早期架構，即使用獨立的判別器來輔助天生指定內容，使用目標函式來替換判別器。
在搭框架構建好之後，仍舊有很多抉擇，例如網路是使用 CNN、仍是 Transformer？目標之間的權重如何設計？如何實現對於多目標最佳化？是否加入的選擇機制？
經由反覆實驗，他們決定了目前所使用的 DMO 方法。終極，實驗結果證實了他們的直覺是正確的，DMO 比擬對比演算法具有明顯的上風。
堵威表示：“這項工作的合作者包括歐洲科學院院士、IEEE Fellow、西湖大學金耀初教授，IEEE Fellow、美國俄克拉荷馬州立大學 Gary G. Yen 教授，IEEE Fellow、華東理工大學唐漾教授等。”
他們都是人工智慧領域的權勢鉅子學者，在堵威最初和他們探討 idea 時，他們無一不覺得這個 idea 非常有趣，尤其利用“甘特圖是一種影象”這一事實，巧妙地將擴散模型這一天生模型技術引入到排程最佳化問題的求解中。
這也給堵威和團隊帶來了極大的鼓舞，讓他們意識到自己的研究工作處於國際學術前沿位置。
日前，相關論文以《基於擴散模型的汽油調合排程多目標最佳化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）為題發表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。
碩士研究生方文軒是第一作者，堵威擔任通訊作者[1]。
在後續的研究中，他們計劃結合更多實際出產資料和實驗結果，驗證並完善他們提出的方法。此外，也將探索本次方法在其他產業過程的應用潛力，將其用於完全不同型別的最佳化問題中，例如組合最佳化問題等。
參考資料：
1.https://arxiv.org/pdf/2402.14600.pdf
運營/排版：何晨龍
