基于图神经网络的强化学习优化作业分配
机器学习
2025-02-03 v1
摘要
在复杂调度问题中，高效的作业分配面临着现实应用中的诸多挑战。本报告提出了一种新方法，利用强化学习 (Reinforcement Learning, RL) 和图神经网络 (Graph Neural Networks, GNNs) 来解决作业分配问题 (Job Allocation Problem, JAP)。作业分配问题涉及在考虑多项约束的前提下，将尽可能多的作业分配给可用资源。我们的 methods 能够通过与环境的试错交互来学习自适应策略，同时利用问题的图结构数据。通过采用 RL 方法，我们消除了监督学习方法中手动标注的主要瓶颈。在合成数据和真实数据上的实验评估表明，我们提出的方法在有效性和可扩展性方面均优于基线算法，展示了其在复杂调度问题中优化作业分配的潜力。
引用
@article{arxiv.2501.19063,
title = {Optimizing Job Allocation using Reinforcement Learning with Graph Neural Networks},
author = {Lars C. P. M. Quaedvlieg},
journal= {arXiv preprint arXiv:2501.19063},
year = {2025}
}
备注
12 pages, 5 figures