schlably：基于深度强化学习的调度实验 Python 框架
机器学习
2024-08-05 v2 人工智能
摘要
近年来，基于深度强化学习（DRL）的生产调度（PS）研究受到广泛关注，主要源于在多样化工业环境中优化调度问题的高度需求。大量研究作为独立实验开展并发表，这些实验往往仅在问题设置与求解方法上有细微差别。这些实验的程序核心通常非常相似。尽管如此，迄今为止尚未建立起用于基于 DRL 算法开展 PS 问题实验的标准化且稳健的框架。本文中，我们介绍 schlably，一个基于 Python 的框架，为研究者提供全面的工具集，以促进基于 DRL 的 PS 求解策略开发。schlably 消除了构建一个稳固且灵活的主干所需的冗余开销工作，并提升了所开展研究工作的可比性与可复用性。
引用
@article{arxiv.2301.04182,
title = {schlably: A Python Framework for Deep Reinforcement Learning Based Scheduling Experiments},
author = {Constantin Waubert de Puiseau and Jannik Peters and Christian Dörpelkus and Hasan Tercan and Tobias Meisen},
journal= {arXiv preprint arXiv:2301.04182},
year = {2024}
}
备注
currently under review for SoftwareX