深度强化学习引导的改进启发式算法求解作业车间调度问题
机器学习
2024-02-15 v3 人工智能
摘要
近期利用深度强化学习（DRL）求解作业车间调度问题（JSSP）的研究集中于构造启发式方法。然而，其性能仍远未达到最优，主要因为每个构造步骤中用于建模部分解的底层图表示方案不合适。本文提出一种新颖的 DRL 引导的改进启发式算法求解 JSSP，其中采用图表示来编码完整解。我们设计了一种基于图神经网络（Graph Neural Network）的表示方案，由两个模块组成，以有效捕获改进过程中所遇图的动态拓扑与不同类型节点的信息。为加速改进过程中的解评估，我们提出了一种新颖的消息传递机制，可同时评估多个解。我们证明了方法的计算复杂度随问题规模线性增长。在经典基准上的实验表明，我们的方法学到的改进策略大幅优于最先进的基于 DRL 的方法。
引用
@article{arxiv.2211.10936,
title = {Deep Reinforcement Learning Guided Improvement Heuristic for Job Shop Scheduling},
author = {Cong Zhang and Zhiguang Cao and Wen Song and Yaoxin Wu and Jie Zhang},
journal= {arXiv preprint arXiv:2211.10936},
year = {2024}
}