动态任务分配问题特征表示的通用方法
人工智能
2025-07-08 v1
摘要
动态任务分配关乎在业务过程中将资源最优分配给任务。近期，深度强化学习（DRL）被提出作为解决分配问题的前沿方法。DRL 方法通常采用神经网络作为策略函数的逼近器，该网络接收过程状态并输出可能分配方案的评估值。然而，如何表示状态和可能的分配方案以满足策略神经网络的输入和输出需求 remains 挑战，尤其当任务或资源具有无限可能取值的特征时。为解决此问题，本文提出一种表示和求解具有无限状态和动作空间的分配问题的方法，并作出三项贡献：(I) 我们提出一种基于图的分配问题特征表示，称为 assignment graph；(II) 从标记彩色 Petri 网映射到 assignment graph的方法；(III) 针对通过 assignment graph 表示的分配问题，对 Proximal Policy Optimization 算法进行适配，使其能够学习求解此类问题。为评估所提表示方法，我们对三类从有限到无限状态和动作空间维度的典型分配问题进行建模。实验表明，该方法适用于表示和学习无论状态和动作空间维度如何，都能接近最优的任务分配策略。
引用
@article{arxiv.2507.03579,
title = {A Universal Approach to Feature Representation in Dynamic Task Assignment Problems},
author = {Riccardo Lo Bianco and Remco Dijkman and Wim Nuijten and Willem van Jaarsveld},
journal= {arXiv preprint arXiv:2507.03579},
year = {2025}
}