作业车间调度基准：面向学习与无学习方法的环境与实例
人工智能
2025-03-18 v2 机器学习
摘要
作业车间调度问题研究作业车间环境下任务的路由与排序。尽管多年来运筹学与机器学习界对此有浓厚兴趣，但一直明显缺乏用于测试和比较求解方法的综合平台。为填补这一空白，我们提出了作业车间调度问题及其求解方法的统一实现，满足了该领域对标准化基准测试平台长期以来的需求。我们的平台支持经典作业车间（JSP）、流水车间（FSP）、柔性作业车间（FJSP）和装配作业车间（AJSP），以及具有序列相关准备时间（SDST）的变体、具有作业在线到达的变体，以及这些问题的组合（例如 FJSP-SDST 和 FAJSP）。该平台提供了广泛的调度求解方法，从启发式、元启发式和精确优化到深度强化学习。该实现作为开源 GitHub 仓库提供，作为研究人员、从业者以及该领域新手的协作中心。除了能够在广泛研究的基准问题上与现有方法进行直接比较外，该资源还作为解决受约束和复杂问题变体的稳健起点。通过建立一个全面统一的基盘，该平台旨在整合现有知识，并启发作业车间调度研究中下一代算法的开发。
引用
@article{arxiv.2308.12794,
title = {Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods},
author = {Robbert Reijnen and Igor G. Smit and Hongxiang Zhang and Yaoxin Wu and Zaharah Bukhsh and Yingqian Zhang},
journal= {arXiv preprint arXiv:2308.12794},
year = {2025}
}