基于双注意力网络强化学习的柔性作业车间调度
机器学习
2023-06-21 v2 人工智能
摘要
柔性制造引发了诸如柔性作业车间调度问题（FJSP）等复杂调度问题。在 FJSP 中，工序可在多台机器上加工，导致工序与机器之间关系错综复杂。近期工作采用深度强化学习（DRL）学习优先级派工规则（PDRs）来求解 FJSP。然而，相对于 OR-Tools 等精确方法，解的质量仍有提升空间。为解决此问题，本文提出一种新颖的端到端学习框架，结合了自注意力模型深度特征提取与 DRL 可扩展决策的优点。工序与机器间的复杂关系被精确而简洁地表示，为此提出一种由若干互联的工序消息注意力块与机器消息注意力块组成的双注意力网络（DAN）。DAN 利用复杂关系构建生产自适应的工序与机器特征，以支持高质量决策。使用合成数据及公共基准的实验结果证实，所提方法优于传统 PDRs 与最先进的 DRL 方法。此外，其在某些情况下取得与精确方法相当的结果，并对大规模及真实世界未见 FJSP 任务展现出良好的泛化能力。
引用
@article{arxiv.2305.05119,
title = {Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning},
author = {Runqing Wang and Gang Wang and Jian Sun and Fang Deng and Jie Chen},
journal= {arXiv preprint arXiv:2305.05119},
year = {2023}
}