用于车间调度的变分方法
机器学习
2026-02-04 v2 人工智能
摘要
本文提出了一种 novel Variational Graph-to-Scheduler（VG2S）框架，用于解决车间调度问题（JSSP），这是一种直接影响 operational efficiency（操作效率）和 resource utilization（资源利用）的关键任务。传统的深度强化学习（DRL）方法面临非 stationarity（非平稳性）和 limited generalization（有限泛化）挑战，因为它们同时优化 representation learning（表示学习）和 policy execution（策略执行）。为此，我们首次将变分推断引入 JSSP 领域，并基于证据下界（ELBO）推导了概率目标。通过数学方式将 representation learning 从 policy optimization（策略优化）中解耦，VG2S 框架使 agent 能够通过变分图编码器学习 robust（稳健的）调度实例结构表示。该方法显著增强了训练稳定性和对 hyperparameter（超参数）变化的鲁棒性。广泛实验表明，所提方法在与 state-of-the-art DRL 基线和传统调度规则（dispatching rules）相比，尤其是在大规模和具有挑战性的基准实例（如 DMU 和 SWV）上， exhibits（表现出）superior zero-shot generalization（零样本泛化）。
引用
@article{arxiv.2602.00408,
title = {Variational Approach for Job Shop Scheduling},
author = {Seung Heon Oh and Jiwon Baek and Ki Young Cho and Hee Chang Yoon and Jong Hun Woo},
journal= {arXiv preprint arXiv:2602.00408},
year = {2026}
}