学习作业车间调度中机器排列的质量
机器学习
2022-09-19 v2 神经与进化计算
组合数学
摘要
近年来，机器学习(ML)展现出的强大能力日益引起优化领域的兴趣，该领域开始利用机器学习来增强和自动化算法设计。最近用机器学习处理的一个组合优化问题是作业车间调度问题(JSP)。大多数使用机器学习的JSP研究都集中在深度强化学习(DRL)上，只有少数工作利用了监督学习技术。避免使用监督学习的常见原因似乎是难以确定正确的学习任务，即预测什么是有意义的，以及如何获得标签。因此，我们首先提出一个新颖的监督学习任务，旨在预测机器排列的质量。然后，我们设计了一种原创方法来估计这种质量，并利用这些估计创建了一个精确的序列深度学习模型（二元准确率超过95%）。最后，我们通过增强一个受文献工作启发的简单禁忌搜索算法的性能，实证证明了预测机器排列质量的价值。
引用
@article{arxiv.2207.03244,
title = {Learning the Quality of Machine Permutations in Job Shop Scheduling},
author = {Andrea Corsini and Simone Calderara and Mauro Dell'Amico},
journal= {arXiv preprint arXiv:2207.03244},
year = {2022}
}