基于引导式经验学习的动态作业车间高效可解释派工规则
机器学习
2022-04-11 v1 人工智能
摘要
工业 4.0 的出现使生产系统更加灵活，也更加动态。在此类环境中，调度常需由派工规则实时调整。尽管在 90 年代前已取得实质性进展，这些规则的性能仍相当有限。机器学习文献正发展多种方法以改进它们，但所得规则难以解释，且不能很好地泛化至广泛设置。本文是将机器学习与调度领域问题推理相结合的首次主要尝试。其思路是利用后者获得的洞见来引导前者的经验搜索。我们的假设是，这一引导式经验学习过程应能产生高效、可解释且能很好泛化至不同实例类的派工规则。我们在经典动态作业车间调度问题（最小化 tardiness，即延迟）中测试我们的方法，该问题是最受关注的调度问题之一。尽管如此，结果表明我们的方法能够找到新的 SOTA 规则，在从宽松到紧迫的交期、从低利用率到拥挤车间的绝大多数设置中显著优于现有文献。总体而言，平均改进为 19%。此外，这些规则紧凑、可解释，并能很好泛化至极端的未见过场景。
引用
@article{arxiv.2109.03323,
title = {Effective and interpretable dispatching rules for dynamic job shops via guided empirical learning},
author = {Cristiane Ferreira and Gonçalo Figueira and Pedro Amorim},
journal= {arXiv preprint arXiv:2109.03323},
year = {2022}
}