Jan, 2023

柔性车间调度问题的两阶段学习

PDF
TL;DR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。
flexible job-shop scheduling problemdeep learninghierarchical decisionsapproximationsoptimization
发现论文，激发创造
  • 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

  • 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

  • 在不确定条件下学习解决作业车间调度

    使用深度强化学习技术搜索鲁棒解决方案的新方法，重点解决具有不确定持续时间的作业车间调度问题，并结合图神经网络和深度强化学习的 Wheatley 方法已公开提供以供进一步研究和应用。

    Mar, 2024

  • 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

  • 基于学习的灵活车间调度算法在可扩展智能制造中的应用

    在智能制造系统中，基于自动导引车的生产灵活性的柔性作业车间调度是优化生产效率的关键，该研究通过引入名为 Heterogeneous Graph Scheduler (HGS) 的新型图结构的深度强化学习方法，可以提高规模泛化性能，超越了传统调度规则、元启发式算法和现有 DRL 方法在制造调度中的性能表现。

    Feb, 2024

  • 在深度学习方法中利用约束编程动态解决柔性车间调度问题

    我们提出了一种融合了约束编程和深度学习的方法来解决灵活作业车间调度问题，该方法通过使用约束编程生成的最优解来训练深度学习模型，以消除深度强化学习中广泛搜索的需求，并在解决过程中共同应用深度学习和约束编程来提高性能。

    Mar, 2024

  • 基于双重注意力网络增强学习的柔性车间调度

    本文提出了一种新颖的深度学习框架，该框架可以利用深度特征提取和强化学习进行可扩展决策选择，以解决灵活作业车间调度问题。这种框架使用了自我关注模型和双重自我关注网络来准确地表示和简洁地描述操作和设备之间的关系。实验结果显示，该方法在某些情况下可以比传统的基于优先级分配规则和当前最先进的强化学习方法更好地解决该问题，具有较好的泛化能力。

    May, 2023

  • 作业车间调度基准：学习和非学习方法的环境和实例

    我们介绍了一个开源的 GitHub 存储库，其中包含广泛的机器调度问题的综合基准，包括工作车间调度（JSP）、流水车间调度（FSP）、灵活工作车间调度（FJSP）、具有组装约束的 FJSP、具有序列相关设置时间的 FJSP-SDST 以及在线 FJSP（带有在线作业到达）。我们的主要目标是为对解决机器调度难题感兴趣的研究人员、从业人员和爱好者提供一个集中的中心。

    Aug, 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

  • 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