残差调度：一种求解作业车间调度问题的新强化学习方法
人工智能
2023-10-04 v2
摘要
作业车间调度问题（JSP）是制造业等领域广泛使用的数学优化问题，柔性 JSP（FJSP）也是常见变体。由于二者均为 NP-hard，在所有情形下于合理时间内求得最优解十分困难。因此，开发高效启发式算法求解 JSP/FJSP 十分重要。一类求解调度问题的方法是构造启发式，即通过启发式构造调度解。近来，许多构造启发式方法借助深度强化学习（DRL）与图神经网络（GNN）。本文提出一种名为残差调度的新方法求解 JSP/FJSP。在该方法中，我们移除无关机器与作业（如已完成的），使状态仅包含剩余（或相关的）机器与作业。实验表明，在多数知名公开 JSP 与 FJSP 基准上，我们的方法在所有已知构造启发式中达到最先进（SOTA）。此外，我们还观察到，即便模型是在较小规模调度问题上训练的，我们的方法在大规模调度问题上仍表现良好。有趣的是，实验中我们的方法在 20 台机器上作业数超过 150 的 50 个 JSP 实例中的 49 个甚至达到了零间隙。
引用
@article{arxiv.2309.15517,
title = {Residual Scheduling: A New Reinforcement Learning Approach to Solving Job Shop Scheduling Problem},
author = {Kuo-Hao Ho and Ruei-Yu Jheng and Ji-Han Wu and Fan Chiang and Yen-Chi Chen and Yuan-Yu Wu and I-Chen Wu},
journal= {arXiv preprint arXiv:2309.15517},
year = {2023}
}