The discrete parallel machine makespan scheduling location (ScheLoc) problem is an integrated combinatorial optimization problem that combines facility location and job scheduling. The problem consists in choosing the locations of $p$ machines among a finite set of candidates and scheduling a set of jobs on these machines, aiming to minimize the makespan. Depending on the machine location, the jobs may have different release dates, and thus the location decisions have a direct impact on the scheduling decisions. To solve the problem, it is proposed a new arc-flow formulation, a column generation and three heuristic procedures that are evaluated through extensive computational experiments. By embedding the proposed procedures into a framework algorithm, we are able to find proven optimal solutions for all benchmark instances from the related literature and to obtain small percentage gaps for a new set of challenging instances.
TS-EoH: An Edge Server Task Scheduling Algorithm Based on Evolution of Heuristic
School of Computer Science Central China Normal University Wuhan, China yatong\；School of Computer Science Central China Normal University Wuhan, China
Zuse Institute Berlin（柏林祖斯研究所）；Hochschule für Technik und Wirtschaft Berlin（柏林工程与经济应用技术大学）；Google Research（谷歌研究院）；Technische Universität Berlin（柏林工业大学）
MAP-Elites based Hyper-Heuristic for the Resource Constrained Project Scheduling Problem
Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）；Indian Institute of Technology（印度理工学院）；University of New South Wales（新南威尔士大学）
Deep Reinforcement Learning Guided Improvement Heuristic for Job Shop Scheduling
Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Institute of Marine Science and Technology, Shandong University（山东大学海洋科学与技术研究院）；Eindhoven University of Technology（埃因霍温理工大学）
Guiding Large Language Models with Genetic Programming-Evolved Heuristic Knowledge for Dynamic Multi-Mode Project Scheduling
Centre for Data Science and Artificial Intelligence（数据科学与人工智能中心）；School of Engineering and Computer Science（工程与计算机科学学院）；Victoria University of Wellington（惠灵顿维多利亚大学）
Genetic Programming with Reinforcement Learning Trained Transformer for Real-World Dynamic Scheduling Problems
Digital Port Technologies Lab, School of Computer Science, University of Nottingham Ningbo China（诺丁汉大学宁波校区计算机科学学院数字港口技术实验室）；School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院）；Department of Engineering, University of Cambridge（剑桥大学工程学院）；School of Engineering, Westlake University（西湖大学工程学院）
Low-Cost Labels, Reliable Choices: Rollout-Calibrated Hyper-Heuristics for Job Shop Scheduling
Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院）；Pazhou Lab (Huangpu), Guangzhou（广州 Pazhou 实验室（黄埔））；College of Animal Science and Technology, Zhongkai University of Agriculture and Engineering（仲恺农业工程学院动物科学与技术学院）；Macao Polytechnic University（澳门理工学院）
Discovering Heuristics with Large Language Models (LLMs) for Mixed-Integer Programs: Single-Machine Scheduling
Grado Department of Industrial and Systems Engineering, Virginia Tech, Blacksburg, VA（弗吉尼亚理工大学工业与系统工程系）；Department of Computer Science, Virginia Tech, Arlington, VA（弗吉尼亚理工大学计算机科学系）
Models and Strategies for Variants of the Job Shop Scheduling Problem
Cork Constraint Computation Centre（科克约束计算中心）；University College Cork（科克大学学院）；CNRS（法国国家科学研究中心）；LAAS（法国航空航天实验室）；Université de Toulouse（图卢兹大学）；UPS（图卢兹第三大学）；INSA（法国国立应用科学学院）；INP（法国国立理工学院）；ISAE（法国高等航空航天学院）；UT1（图卢兹第一大学）；UTM（图卢兹第二大学）
Learning Memory-Enhanced Improvement Heuristics for Flexible Job Shop Scheduling
Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室）；College of Software（软件学院）；College of Computer Science and Technology（计算机科学与技术学院）；Singapore Management University（新加坡管理大学）；Nanyang Technological University（南洋理工大学）
Tramp Ship Scheduling Problem with Berth Allocation Considerations and Time-dependent Constraints
Instituto Tecnológico y de Estudios Superiores de Monterrey（蒙特雷技术与高等教育学院）；Pontificia Universidad Católica de Valparaíso（瓦尔帕莱索天主教大学）；Universidad Autónoma de Nuevo León（新莱昂自治大学）；Universidad de Los Andes（洛斯安第斯大学）
Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI
Research Engineering Team REANNZ New Zealand；Centre for Data Science；Artificial Intelligence \& School of Engineering；Computer Science Victoria University of Wellington New Zealand
Bilevel Learning Model Towards Industrial Scheduling
Hong Kong University（香港大学）；University College London（伦敦大学学院）
自动调度是制造业中广泛需要的一种调度方法，其目标是在有限的资源范围内优化作业顺序。然而，现有的调度系统严重依赖于启发式算法，这要么产生无效的解决方案或计算效率低下时，作业规模的增加。因此，开发新的大规模算法，不仅是高效和有效的，而且能够满足复杂的约束在实践中是非常重要的。在本文中，我们提出了一个双层深度强化学习模型，\textit{BDS}，其中较高的水平是负责探索一个初始的全局序列，而较低的水平是旨在开发部分序列的改进，这两个层次是通过滑动窗口采样机制连接。在实现中，双深度Q网络（DDQN）用于上层，图指针网络（GPN）位于下层。在理论上保证了BDS的收敛性之后，我们在工业自动化仓库的场景中对其进行了评估，每条生产线上的作业数高达$5000$。结果表明，我们提出的BDS显著优于两种最常用的算法，三种强大的深度网络和另一种双层基线方法。特别是，与现实世界中最常用的基于贪婪的启发式算法（需要近1个小时）相比，我们的BDS在3个最大数据集上的最大完工时间分别减少了27.5%、28.6%和22.1%，计算时间小于200 s.
