Learning Topological Representations with Bidirectional Graph Attention Network for Solving Job Shop Scheduling Problem

要約

ジョブ ショップ スケジューリング問題 (JSSP) を解決するための既存の学習ベースの手法は、通常、無向グラフに合わせて調整された既製の GNN モデルを使用し、選言グラフ (DG) の豊富で意味のある位相構造を無視しています。
本稿では、ローカル検索フレームワークに JSSP を解くための DG を組み込むための、アテンション メカニズムに基づく新しい GNN アーキテクチャであるトポロジ認識双方向グラフ アテンション ネットワーク (TBGAT) を提案します。
具体的には、TBGAT はそれぞれ前方ビューと後方ビューから DG を埋め込み、メッセージはビューの異なるトポロジーに従って伝播され、グラフ アテンションによって集約されます。
次に、メッセージパッシングメカニズムに基づいて、DG の前方および後方トポロジカルソートを計算するための新しい演算子を提案します。これは、トポロジ構造を特徴付けるための機能であり、モデルによって利用されます。
さらに、TBGAT がジョブとマシンの数に対してそれぞれ線形の計算複雑性を持つことを理論的および実験的に示し、この方法の実用的価値を強化します。
さらに、5 つの合成データセットと 7 つの古典的なベンチマークに関する広範な実験により、TBGAT がさまざまなニューラル手法を大幅に上回り、新しい SOTA 結果を達成できることが示されています。
すべてのコードとデータは、https://github.com/zcaicaros/TBGAT でオンラインで公開されています。

要約(オリジナル)

Existing learning-based methods for solving job shop scheduling problems (JSSP) usually use off-the-shelf GNN models tailored to undirected graphs and neglect the rich and meaningful topological structures of disjunctive graphs (DGs). This paper proposes the topology-aware bidirectional graph attention network (TBGAT), a novel GNN architecture based on the attention mechanism, to embed the DG for solving JSSP in a local search framework. Specifically, TBGAT embeds the DG from a forward and a backward view, respectively, where the messages are propagated by following the different topologies of the views and aggregated via graph attention. Then, we propose a novel operator based on the message-passing mechanism to calculate the forward and backward topological sorts of the DG, which are the features for characterizing the topological structures and exploited by our model. In addition, we theoretically and experimentally show that TBGAT has linear computational complexity to the number of jobs and machines, respectively, strengthening our method’s practical value. Besides, extensive experiments on five synthetic datasets and seven classic benchmarks show that TBGAT achieves new SOTA results by outperforming a wide range of neural methods by a large margin. All the code and data are publicly available online at https://github.com/zcaicaros/TBGAT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google