May, 2023

基于双重注意力网络增强学习的柔性车间调度

PDF
TL;DR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。
flexible manufacturingflexible job shop scheduling problemdeep reinforcement learningself-attention modelsdual-attention network
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 强化学习的模因算法用于社技生产调度

    本文介绍了一种利用深度强化学习应用的模因算法，用于解决实践中的双重资源约束柔性作业车间调度问题，并提出一种用于多标准优化的并行计算混合框架。通过实践证实，该框架使用 DRL 可以产生更好的结果，并优于传统方法。

    Dec, 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

  • 基于注意力的强化学习在组合优化中的应用：作业车间调度问题

    我们提出了一种基于注意力机制的强化学习方法来解决作业车间调度问题，通过将策略梯度强化学习与改进的 Transformer 架构相结合，我们的方法在解决大规模问题上表现优于最近的研究和广泛采用的启发式规则。

    Jan, 2024

  • 通过深度强化学习学习调度，以进行车间调度

    本文提出利用端到端的深度强化学习代理自动学习优先调度规则 (Priority dispatching rule) 来解决实际的作业车间调度问题 (Job-shop scheduling problem)，探索应用离散图表示和基于图神经网络的方案将状态嵌入到神经网络中，从而实现了良好的泛化性能（generalization）。实验表明，学习的策略还表现出较强的性能，超越最佳现有 PDR，而且在训练时未使用的更大规模实例上表现出良好的性能。

    Oct, 2020

  • 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