学习记忆增强的改进型启发式算法用于灵活车间调度
机器学习
2026-03-04 v1 人工智能
摘要
工业4.0时代的智能制造引入了大规模定制和动态生产，对更先进、更灵活的调度技术提出了挑战。灵活车间调度问题（FJSP）因其复杂约束与高度贴合实际生产场景的特性而受到广泛关注。当前基于深度强化学习（DRL）的FJSP方法主要采用构造性方法，虽有效，却往往难以达到（近）最优解。相比之下，改进型方法通过迭代探索初始解的邻域，更具接近最优性的潜力。然而，FJSP中的灵活机器分配对该框架的应用提出了显著挑战，包括准确的状态表示、有效的策略学习以及高效的搜索策略。为此，本文提出了基于异构图表示的记忆增强改进搜索框架——MIStar。它采用新型异构矛盾图，显式建模机器上的操作序列，以准确表示调度解决方案。此外，设计了记忆增强型异构图神经网络（MHGNN）进行特征提取，利用历史轨迹提升策略网络的决策能力。最后，采用并行贪心搜索策略以探索解空间，在更少的迭代次数中实现更优解。大量实验在合成数据和公开基准数据集上表明，MIStar显著优于传统手工设计的改进型启发式方法以及最新的基于DRL的构造性方法。
引用
@article{arxiv.2603.02846,
title = {Learning Memory-Enhanced Improvement Heuristics for Flexible Job Shop Scheduling},
author = {Jiaqi Wang and Zhiguang Cao and Peng Zhao and Rui Cao and Yubin Xiao and Yuan Jiang and You Zhou},
journal= {arXiv preprint arXiv:2603.02846},
year = {2026}
}
备注
39th Conference on Neural Information Processing Systems (NeurIPS 2025)