低成本标签，可靠选择：面向车间作业调度的滚动校准超启发式方法
人工智能
2026-05-26 v1 机器学习
摘要
学习辅助的超启发式方法可以在保持作业车间调度问题（JSSP）构造启发式方法的可行性和可解释性的同时选择调度规则。其主要计算成本在于标签生成而非模型拟合，因为每个监督标签通常需要从部分日程滚动候选规则。我们研究了这个标签成本问题以及可靠性问题：所学习的选择器除非预测收益可信，否则不应切换到强大的默认规则。 proposed selector 使用 regret-normalized 滚动标签、情境 KNN 不确定性估计，以及仅在预测改进超过不确定性调整余量时才起作用的门控器。我们也变更滚动深度和宽度来衡量成本-质量权衡。在合成 JSSP 实例上，加锁选择器实现了学习型选择器中最低的平均 RPD，保持接近最佳固定调度规则，并将 Random-HH 平均 RPD 降低了一个数量级。
引用
@article{arxiv.2605.23957,
title = {Low-Cost Labels, Reliable Choices: Rollout-Calibrated Hyper-Heuristics for Job Shop Scheduling},
author = {Junhao Wei and Yanxiao Li and Yifu Zhao and Zhenhong Peng and Baili Lu and Dexing Yao and Haochen Li and Qinbin He and Sio-Kei Im and Yapeng Wang and Xu Yang},
journal= {arXiv preprint arXiv:2605.23957},
year = {2026}
}