基于双向图注意力网络学习拓扑表示用于求解车间调度问题

现有的基于学习的方法通常针对无向图使用通用 GNN 模型，忽略了矛盾图 (DG) 所包含的丰富且有意义的拓扑结构。本文提出了一种基于注意力机制的拓扑感知双向图注意力网络 (TBGAT)，作为一种新型 GNN 架构，用于在局部搜索框架中对 DG 进行嵌入以求解车间调度问题 (JSSP)。具体而言，TBGAT 从前向和后向两个视角分别对 DG 进行嵌入，其中消息通过沿不同视角的拓扑结构传递，并通过图注意力进行聚合。然后，我们提出了一种基于消息传递机制的新型算子，用于计算 DG 的前向和后向拓扑排序，这些排序是 characterize 拓扑结构的特征，并被本模型所利用。此外，我们在理论和实验方面表明，TBGAT 对作业数和机器数的计算复杂度分别为线性，从而增强了该方法的实际价值。此外，在五个合成数据集和七个经典基准数据集上的大量实验表明，TBGAT 通过显著优于广泛的神经方法实现了新的 SOTA 结果。所有代码和数据均公开于 https://github.com/zcaicaros/TBGAT。