Jun, 2022

作业车间调度中推广管理规则的学习

PDF
TL;DR本文介绍了一种基于强化学习的方法来更好地推广启发式分配规则，着重研究了任务车间调度问题的一般性问题，并提出了新颖的对抗性课程学习策略，该策略动态调整了学习过程中的难度水平来重新访问表现最差的问题实例。实验结果表明，这种方法明显优于当前 JSP 模型的现有技术水平，平均优化程度从 Taillard 的案例降低了 19.35％到 10.46％，从 Demirkol 的案例降低了 38.43％到 18.85％。
发现论文，激发创造
  • 利用强化学习进行车间作业调度的课程学习

    本研究通过引入难度变化和课程学习策略来改进深度强化学习方法，基于图嵌入实现的 DLR 方法在解决工作车间调度问题方面取得了显著的效果。

    May, 2023

  • 深度强化学习在作业车间调度中的搜索应用

    本文提出了一种基于图神经网络的深度强化学习方法，用于解决作业车间调度问题中的改进启发式问题，并设计了一种新颖的传递信息机制来加快解决方案评估，实验结果表明，该方法比现有的基于深度强化学习的方法在 JSSP 领域中具有更好的性能.

    Nov, 2022

  • 一种强化学习方法用于通过排序交换提高泛化性能的调度问题

    本文介绍了一种使用 DRL 求解 JSSP 问题的新方法，该方法使用了 PPO 算法并在环境中加入了 OSM 以实现更好的泛化学习，并在可用的基准实例集上进行了深入的性能分析和比较。

    Feb, 2023

  • 残余调度：解决工作车间调度问题的新强化学习方法

    本论文提出了一种名为 “残余调度” 的新方法，用于解决作业车间调度问题和灵活作业车间调度问题。实验证明，该方法在大多数著名的开放式作业车间调度问题和灵活作业车间调度问题基准测试中达到了最先进的水平。此外，研究还观察到，尽管该模型是针对较小规模的调度问题进行训练的，但在大规模调度问题上仍然表现良好。有趣的是，在实验中，该方法甚至在 20 台机器上有 150 个以上作业的 50 个作业车间调度实例中，有 49 个实例达到了零间隔。

    Sep, 2023

  • 基于约束编程的作业车间调度问题的端到端强化学习方法

    本文提出了一种基于约束编程（CP）和强化学习（RL）的端到端解决调度问题的方法，通过神经网络架构和训练算法，仅需要一些调度问题的约束编码和一组小实例，我们的方法在七个 JSSP 数据集上进行了评估，并展示了其在相同时间限制内找到比静态 PDRs 和 CP 求解器更高质量的解决方案的能力。

    Jun, 2023

  • 深度强化学习和关注机制的动态车间调度混合智能

    本文提出了一种将动态车间调度问题 (DJSP) 建模为强化学习的马尔可夫决策流程 (MDP) 的混合框架，并结合了注意力机制作为图表示学习 (GRL) 的模块，以及双层权利分离深度 Q 网络评估最适当的调度规则，经实验证明该框架优于基准算法，并证实了这种混合框架的有效性。

    Jan, 2022

  • 柔性车间调度问题的两阶段学习

    本文提出了一个基于深度学习的两阶段学习框架 2SLFJSP 来解决制造和服务领域中非常重要的组合优化问题 —— 柔性作业车间调度问题（FJSP），该框架能够在毫秒级时间内生成高质量的解决方案，优于文献中最新的强化学习方法和其他常用的启发式方法。

    Jan, 2023

  • 利用深度强化学习生成多样的调度策略解决大规模柔性车间调度实例

    提出了一种使用图神经网络将灵活作业车间调度问题 (FJSSP) 建模为马尔可夫决策过程 (MDP) 的方法，通过生成多样化的调度策略并利用调度规则进行限制，实现对大型 FJSSP 实例的稳健解决，以胜过其他深度强化学习方法和调度规则，提供更好的结果。

    Oct, 2023

  • 基于深度强化学习的作业车间调度：一种序列到序列方法

    通过自动学习调度规则，本文提出了一种原创的端到端深度强化学习方法来解决作业调度的 NP - 难度问题，该技术受到自然语言编码器 - 解码器模型的启发，可在最小干预下用于处理其他不同的优化作业调度任务。研究结果表明，我们在利用优先调度规则方面超过了许多传统方法，并且在最先进的深度强化学习方法中取得了有竞争力的结果。

    Aug, 2023

  • 自标记作业车间调度问题

    通过自我标注策略，我们提出了一种专门为组合问题设计的自监督训练策略，采样多个解并使用问题目标最佳解作为伪标签来训练生成模型，从而完全消除了优化信息需求，并在作业车间调度问题上证明了其有效性。

    Jan, 2024