DyRo-MCTS：一种用于动态作业车间调度的鲁棒蒙特卡洛树搜索方法
人工智能
2025-09-29 v1
摘要
动态作业车间调度是各个工业领域中基本的组合优化问题，由于新作业到达造成的频繁中断，给有效调度带来了巨大挑战。最先进的方法采用机器学习离线学习调度策略，从而实现对动态事件的快速响应。然而，这些离线策略通常并不完美，需要使用诸如蒙特卡洛树搜索（MCTS）之类的规划技术来提高在线决策时的性能。新作业到达的不可预测性使在线规划变得复杂，因为基于不完整问题信息的决策容易受到干扰。为了解决这个问题，我们提出了动态鲁棒 MCTS（DyRo-MCTS）方法，该方法将动作鲁棒性估计集成到 MCTS 中。DyRo-MCTS 引导生产环境进入不仅产生良好调度结果，而且易于适应未来作业到达的状态。大量实验表明，DyRo-MCTS 以可忽略的额外在线规划时间显著提高了离线学习策略的性能。此外，DyRo-MCTS 在各种调度场景中始终优于原始 MCTS。进一步分析表明，其做出鲁棒调度决策的能力在干扰下带来了长期、可持续的性能提升。
引用
@article{arxiv.2509.21902,
title = {DyRo-MCTS: A Robust Monte Carlo Tree Search Approach to Dynamic Job Shop Scheduling},
author = {Ruiqi Chen and Yi Mei and Fangfang Zhang and Mengjie Zhang},
journal= {arXiv preprint arXiv:2509.21902},
year = {2025}
}