RESCHED：基于Transformer架构的灵活车间作业调度重构方案
机器学习
2026-03-10 v1 人工智能
摘要
针对灵活车间作业调度问题（FJSP）的神经方法，特别是基于深度强化学习（DRL）的方法，在近年来受到越来越多的关注。然而，现有方法依赖复杂的人工特征工程状态表示（通常需要超过20个手工特征）和图结构偏置神经网络。为降低建模复杂度并推动更通用的FJSP框架，we introduce \textsc{ReSched}，一个精简的DRL框架，重新思考了调度问题的表述和模型设计。首先，通过重新审视FJSP的马尔可夫决策过程（MDP）表述，我们将状态空间压缩到仅四个基本特征，通过子问题视角消除历史依赖。其次，我们采用带点积注意力的Transformer模块，增添了三个轻量但有效的针对调度任务的架构修改。广泛实验表明，\textsc{ReSched} 在FJSP上超越了经典派遣规则和最先进的DRL方法。此外，\textsc{ReSched} 还能良好地泛化到车间作业调度问题（JSSP）和灵活流车间调度问题（FFSP），在针对这些变体设计的神经基线方法面前也能取得竞争成绩。
引用
@article{arxiv.2603.07020,
title = {RESCHED: Rethinking Flexible Job Shop Scheduling from a Transformer-based Architecture with Simplified States},
author = {Xiangjie Xiao and Cong Zhang and Wen Song and Zhiguang Cao},
journal= {arXiv preprint arXiv:2603.07020},
year = {2026}
}