Residual Scheduling: A New Reinforcement Learning Approach to Solving Job Shop Scheduling Problem

要約

ジョブ ショップ スケジューリング問題 (JSP) は、製造などの業界で広く使用されている数学的最適化問題であり、フレキシブル JSP (FJSP) も一般的なバリアントです。
これらは NP 困難であるため、すべてのケースに対して妥当な時間内に最適な解決策を見つけるのは困難です。
したがって、JSP/FJSP を解決するための効率的なヒューリスティックを開発することが重要になります。
スケジューリング問題を解決する方法の一種に、ヒューリスティックを介してスケジューリング解を構築する構築ヒューリスティックがあります。
最近、構築ヒューリスティックの多くの方法が、グラフ ニューラル ネットワーク (GNN) を使用した深層強化学習 (DRL) を活用しています。
この論文では、JSP/FJSP を解決するための残差スケジューリングと呼ばれる新しいアプローチを提案します。
この新しいアプローチでは、終了したものなど無関係なマシンとジョブを削除し、残りの (または関連する) マシンとジョブのみが状態に含まれるようにします。
私たちの実験は、私たちのアプローチが、最もよく知られているオープン JSP および FJSP ベンチマークにおけるすべての既知の構築ヒューリスティックの中で最先端 (SOTA) に達していることを示しています。
さらに、モデルが小さいサイズのスケジューリング問題に対してトレーニングされているにもかかわらず、私たちの方法は依然として大きいサイズのスケジューリング問題に対して良好に機能することも観察されています。
興味深いことに、私たちの実験では、20 台のマシン上でジョブ数が 150 を超える 50 個の JSP インスタンスのうち 49 個で、私たちのアプローチでギャップがゼロに達することさえありました。

要約(オリジナル)

Job-shop scheduling problem (JSP) is a mathematical optimization problem widely used in industries like manufacturing, and flexible JSP (FJSP) is also a common variant. Since they are NP-hard, it is intractable to find the optimal solution for all cases within reasonable times. Thus, it becomes important to develop efficient heuristics to solve JSP/FJSP. A kind of method of solving scheduling problems is construction heuristics, which constructs scheduling solutions via heuristics. Recently, many methods for construction heuristics leverage deep reinforcement learning (DRL) with graph neural networks (GNN). In this paper, we propose a new approach, named residual scheduling, to solving JSP/FJSP. In this new approach, we remove irrelevant machines and jobs such as those finished, such that the states include the remaining (or relevant) machines and jobs only. Our experiments show that our approach reaches state-of-the-art (SOTA) among all known construction heuristics on most well-known open JSP and FJSP benchmarks. In addition, we also observe that even though our model is trained for scheduling problems of smaller sizes, our method still performs well for scheduling problems of large sizes. Interestingly in our experiments, our approach even reaches zero gap for 49 among 50 JSP instances whose job numbers are more than 150 on 20 machines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google