引入PetriRL：一种集成Petri网与基于事件强化学习的JSSP求解创新框架
人工智能
2024-05-09 v2 机器学习
摘要
资源利用和生产流程优化对于当今竞争激烈的工业环境中的企业至关重要。解决作业车间调度问题（JSSP）的复杂性对于提高生产力、降低成本和确保及时交付至关重要。我们提出了PetriRL，一种集成Petri网和深度强化学习（DRL）用于JSSP优化的新颖框架。PetriRL利用Petri网在建模离散事件系统方面的固有优势，同时发挥图结构的优点。Petri网控制过程的自动化组件，确保遵守JSSP约束。这允许与DRL等优化算法进行协同合作，特别是在关键决策中。与传统方法不同，PetriRL无需将JSSP实例预处理为析取图，并通过其基于位置和变迁的图形结构增强了过程状态的可解释性。此外，Petri网固有的图结构使得在推理阶段能够动态添加作业操作，而无需重新训练智能体，从而增强了灵活性。实验结果表明，PetriRL在各种实例规模上具有强大的泛化能力，并在公开测试基准和随机生成实例上表现出有竞争力的性能。结果与广泛的优化解决方案（如启发式、元启发式和基于学习的算法）进行了比较。最后，在消融研究中研究了框架关键元素（如基于事件的控制和动作掩码）的附加价值。
引用
@article{arxiv.2402.00046,
title = {Introducing PetriRL: An Innovative Framework for JSSP Resolution Integrating Petri nets and Event-based Reinforcement Learning},
author = {Sofiene Lassoued and Andreas Schwung},
journal= {arXiv preprint arXiv:2402.00046},
year = {2024}
}