最小化加权迟到作业：单机排程的数据驱动启发式方法
机器学习
2025-10-08 v2 最优化与控制
机器学习
摘要
现有研究在单机排程领域主要聚焦于精确算法，这些算法在典型实例上表现良好，但在问题空间的某些区域会显著恶化。相比之下，数据驱动方法在针对特定数据集结构时能够提供强大且可扩展的性能。借助这一思路，我们关注单机排程问题，其中每个作业由其权重、持续时间、截止日期和截止时间定义，旨在最小化迟到作业的总权重。我们引入一种新型数据驱动排程启发式方法，将机器学习与问题特定特征相结合，确保可行解，这是基于ML方法常见的挑战。实验结果表明，我们的方法在最优间隙、最优解数量和适应性不同数据情景方面均显著优于当前最先进的方法，凸显其在实际应用中的灵活性。此外，我们系统性地探索了ML模型，解决了类似研究中常见的空白问题，提供了详细的模型选择过程，并提供了为何所选模型是最佳匹配的见解。
引用
@article{arxiv.2508.13703,
title = {Minimizing the Weighted Number of Tardy Jobs: Data-Driven Heuristic for Single-Machine Scheduling},
author = {Nikolai Antonov and Prěmysl Šůcha and Mikoláš Janota and Jan Hůla},
journal= {arXiv preprint arXiv:2508.13703},
year = {2025}
}
备注
Published version: Computers & Operations Research, https://doi.org/10.1016/j.cor.2025.107281. Data are publicly available at https://doi.org/10.5281/zenodo.17233362