用于增强工作车间调度问题神经局部搜索的决策转换器
人工智能
2025-02-05 v2 机器学习
摘要
车间作业调度问题 (JSSP) 及其解决方案算法已有数十年在学术界和工业界引人关注。近年来，机器学习 (ML) 在推动现有方法和构建新方法中发挥越来越重要的作用，旨在更快地找到更好的解决方案。在本文中，我们在一种最先进的深度强化学习 (DRL) 代理——称为神经局部搜索 (NLS) 的基础上进行构建，该代理能够有效地控制 JSSP 上大规模局部邻域搜索。在 particular，我们开发了在由训练好的 NLS 代理所采取的搜索轨迹上训练决策转换器 (DT) 算法以进一步改进所学决策序列的方法。我们的实验表明，DT 成功学习了不同于 NLS 代理本身的局部搜索策略，且在许多情况下更为有效。在解决方案质量与可接受计算时间之间的权衡方面，DT 在计算时间可接受的情况下表现尤为出色。它通过每一步更高质量决策弥补了较大神经网络体系结构所需的较长推理时间。由此，DT 实现了使用 ML 增强搜索解决 JSSP 的最先进结果。
引用
@article{arxiv.2409.02697,
title = {Decision Transformer for Enhancing Neural Local Search on the Job Shop Scheduling Problem},
author = {Constantin Waubert de Puiseau and Fabian Wolz and Merlin Montag and Jannik Peters and Hasan Tercan and Tobias Meisen},
journal= {arXiv preprint arXiv:2409.02697},
year = {2025}
}