Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to Sequence approach

要約

ジョブスケジューリングは、よく知られた組合せ最適化問題であり、その応用範囲は無限である。うまく計画されたスケジュールは、自動化システムにおいて多くの利点をもたらす。にもかかわらず、この問題はNP困難であるため、設計が難しく、専門的な知識を必要とし、しばしば特定のタスクに合わせた手法を生成するヒューリスティックを使用することが不可欠である。本稿では、配車ルールを自動的に学習する、スケジューリングに対する独自のエンドツーエンドの深層強化学習アプローチを紹介する。我々の手法は、シーケンス処理のための自然言語エンコーダデコーダモデルにインスパイアされており、我々の知る限り、スケジューリング目的で使用されたことはない。我々は、特にジョブショップ問題のいくつかのベンチマークインスタンスに本手法を適用し、テストしたが、本手法は、最小限の介入で、他の異なる最適ジョブスケジューリングタスクに取り組むために使用できる可能性があるほど一般的である。その結果、優先度ディスパッチングルールを利用した多くの古典的なアプローチを凌駕し、最先端のDeep Reinforcement Learningのものに対しても競争力のある結果を示すことが実証された。

要約(オリジナル)

Job scheduling is a well-known Combinatorial Optimization problem with endless applications. Well planned schedules bring many benefits in the context of automated systems: among others, they limit production costs and waste. Nevertheless, the NP-hardness of this problem makes it essential to use heuristics whose design is difficult, requires specialized knowledge and often produces methods tailored to the specific task. This paper presents an original end-to-end Deep Reinforcement Learning approach to scheduling that automatically learns dispatching rules. Our technique is inspired by natural language encoder-decoder models for sequence processing and has never been used, to the best of our knowledge, for scheduling purposes. We applied and tested our method in particular to some benchmark instances of Job Shop Problem, but this technique is general enough to be potentially used to tackle other different optimal job scheduling tasks with minimal intervention. Results demonstrate that we outperform many classical approaches exploiting priority dispatching rules and show competitive results on state-of-the-art Deep Reinforcement Learning ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL