The cyclic job-shop scheduling problem: The new subclass of the job-shop problem and applying the Simulated annealing to solve it
Novosibirsk State Technical University（新西伯利亚国立技术大学）
本文介绍了一种求解排序问题的新方法。该方法处理的问题，规划的周期性生产，并建议考虑这样的调度问题的顺序为k，其中k是数量的循环job-shop问题。已经发现，仅规划循环的一次迭代不如规划整个循环有效。在实验研究中，使用运筹学库中的Job-shop调度问题的多个测试实例。采用模拟退火算法对实例进行求解。实验证明，该方法可以提高循环调度的效率显着。
2020-06-19 cs.AI cs.NE
Fast Approximations for Job Shop Scheduling: A Lagrangian Dual Deep Learning Method
Syracuse University（雪城大学）；Georgia Institute of Technology（佐治亚理工学院）
作业车间调度问题（JSP）是一个典型的组合优化问题，在工业生产中经常被求解。它模拟了多个任务序列的最优调度，每个任务都在一个固定的操作顺序下，其中单个任务需要在指定的处理时间内独占访问预定的资源。该问题是NP难的，即使对于中等规模的实例也具有计算挑战性。受生产链中随机性增加的影响，本文探索了一种深度学习方法，以提供有效和准确的近似JSP。特别是，本文提出了一个深度神经网络架构的设计，利用问题的结构，其集成与拉格朗日对偶捕捉问题的约束条件，并进行后处理优化，以保证解决方案的可行性。由此产生的方法，称为JSP-DNN，从JSPLIB基准库的硬JSP实例进行评估。计算结果表明，JSP-DNN可以产生高质量的JSP近似值，而计算成本可以忽略不计。
2021-10-12 cs.AI cs.LG
RESCHED: Rethinking Flexible Job Shop Scheduling from a Transformer-based Architecture with Simplified States
School of Computing and Information Systems, Singapore Management University, Singapore（新加坡管理大学计算机与信息系）；College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院）；Institute of Marine Science and Technology, Shandong University, China（山东大学海洋科学与技术研究院）
ReSched通过简化状态空间和改进架构，在柔性作业车间调度问题中实现了更高效和通用的调度方法。
2026-03-07 cs.AI cs.LG
A Reinforcement Learning Environment For Job-Shop Scheduling
University of Klagenfurt（克拉根福大学）；Graz University of Technology（格拉茨技术大学）
调度是在各种自动化系统应用中发生的基本任务，例如，在作业车间的机器的最佳调度允许降低生产成本和浪费。然而，找到这样的时间表往往是棘手的，不能实现组合优化问题（COP）的方法在给定的时间限制。深度强化学习（DRL）在学习复杂行为方面的最新进展使新的COP应用成为可能。本文提出了一个有效的DRL环境的作业车间调度-在该领域的一个重要问题。此外，我们设计了一个有意义的和紧凑的状态表示，以及一个新的，简单的密集的奖励函数，密切相关的稀疏的使跨度最小化准则的COP方法。我们证明，我们的方法显着优于现有的DRL方法的经典基准实例，接近国家的最先进的COP方法。
2021-04-08 cs.AI cs.LG cs.NE
Two-Stage Learning For the Flexible Job Shop Scheduling Problem
Georgia Institute of Technology（佐治亚理工学院）
柔性作业车间调度问题（FJSP）是一个重要的组合优化问题，出现在制造和服务环境中。FJSP由两个子问题组成，一个是分配问题，它将任务分配给机器，另一个是调度问题，它确定任务在所选机器上的开始时间。即使在简化的确定性假设下，解决实际大小和组成的FJSP实例也是一个持续的挑战。由于供应链、制造和服务运营中不可避免的随机性和不确定性，本文研究了使用深度学习框架为FJSP生成快速准确近似值的潜力。特别是，本文提出了一个两阶段的学习框架2SLFJSP，明确建模的层次性质的FJSP决策，使用一个置信度感知的分支计划，以生成适当的实例调度阶段的分配预测，并利用一种新的破环配方，以提高可学习性。2SL-FJSP在FJSP基准库中的实例上进行评估。结果表明，2SL-FJSP可以在毫秒内生成高质量的解决方案，优于文献中最近提出的最先进的强化学习方法以及实践中常用的其他算法。
2023-01-23 cs.AI cs.LG
How the Landscape of Random Job Shop Scheduling Instances Depends on the Ratio of Jobs to Machines
Carnegie Mellon University（卡内基梅隆大学）
我们描述了随机实例的作业车间调度问题（JSP）的搜索景观。具体来说，我们调查的期望值（1）骨干网的大小，（2）接近最优的时间表之间的距离，（3）随机调度的最大完工时间作为一个函数的工作机器比（N/M）的变化。对于N/M接近0和N/M接近无穷大的极限情况，我们提供了分析结果，而对于N/M的中间值，我们进行实验。我们证明了当N/M接近0时，骨架尺寸接近100%，而当N/M接近无穷大时，骨架消失。在这个过程中，我们表明，随着N/M接近0（分别为）。N/M接近无穷大），简单的优先级规则几乎必然产生最优调度，为车间调度中典型实例难度的“易-难-易”模式提供了理论证据。我们还绘制了我们的理论结果和JSP景观的“大山谷”图片之间的连接。
2011-09-30 cs.AI
Starjob: Dataset for LLM-Driven Job Shop Scheduling
Université Paris Dauphine-PSL（巴黎多芬大学-PSL大学）
本文提出首个用于作业车间调度的监督数据集Starjob（13万实例），通过微调LLaMA 8B量化模型，在标准基准上超越传统规则和神经方法，平均提升达15.36%。
2025-03-27 cs.AI cs.LG
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）
本文提出一种DRL引导的改进启发式方法求解JSSP，通过基于图神经网络的完整解表示方案和并行评估机制，大幅超越现有DRL方法。
2024-02-14 cs.AI cs.LG
Hybrid intelligence for dynamic job-shop scheduling with deep reinforcement learning and attention mechanism
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Intelligent Systems Science and Engineering, Jinan University（暨南大学智能系统科学与工程学院）
动态车间调度问题（DJSP）是一类专门考虑实际智能制造环境中订单需求变化和机器故障等固有不确定性的调度任务。由于传统的方法不能动态地产生有效的调度策略，面对环境的干扰，我们制定的DJSP作为一个马尔可夫决策过程（MDP）处理的强化学习（RL）。为此，我们提出了一个灵活的混合框架，采取析取图的状态和一组一般的调度规则的动作空间与最小的先验领域知识。注意力机制被用作用于状态的特征提取的图表示学习（GRL）模块，并且采用具有优先重放和噪声网络的双重决斗深度Q网络（D3QPN）来将每个状态映射到最合适的调度规则。此外，我们提出了Gymjsp，一个公共基准的基础上著名的OR库，RL和DJSP研究社区提供了一个标准化的现成的设施。各种DJSP实例上的综合实验证实，我们提出的框架是优于基线算法，在所有实例中具有较小的最大完工时间，并提供经验证明的混合框架中的各个组件的有效性。
2022-01-03 cs.AI cs.LG
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）
提出一种基于Rollout校准的超启发式算法，通过遗憾归一化标签、上下文KNN不确定性估计和门控机制，在低成本标签下实现可靠的选择器，显著降低平均RPD。
2026-05-11 cs.AI cs.LG
An efficient deep reinforcement learning environment for flexible job-shop scheduling
College of Computer Science and Technology（计算机科学与技术学院）；Nanjing University of Aeronautics and astronautics（南京航空航天大学）
针对柔性作业车间调度问题，本文提出一种基于离散事件模拟的高效深度强化学习环境及基于PPO的端到端调度模型，并设计新状态表示和奖励函数，实验证明其性能优于或媲美现有方法。
2025-09-07 cs.AI cs.LG
Solving the flexible job-shop scheduling problem through an enhanced deep reinforcement learning approach
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；University of the Basque Country（巴斯克大学）
针对柔性作业车间调度尤其是大规模算例的实时调度需求，提出结合异构图神经网络、多样策略生成及DRL与分派规则融合的增强DRL方法，在公开基准上优于现有方法。
2024-01-30 cs.AI cs.LG
Curriculum Learning with GNN-based Reinforcement Learning for Job Shop Scheduling
Rosenheim University of Applied Sciences（罗森海姆应用科学大学）
本文研究基于图神经网络强化学习的课程学习在作业车间调度中的应用，通过逐步从小实例训练到大实例，显著降低训练时间并提升泛化性能，在30×30目标规模下平均最优性差距降低约8个百分点。
2026-09-24 cs.AI cs.LG
Variational Approach for Job Shop Scheduling
Republic of Korea Navy（韩国海军）；Seoul National University（首尔国立大学）
本文提出变分图到调度器框架，通过解耦表示学习与策略优化，提升作业车间调度问题的训练稳定性与泛化能力。
2026-09-17 cs.AI cs.LG
Solving the Extended Job Shop Scheduling Problem with AGVs -- Classical and Quantum Approaches
Telekom Innovation Laboratories（德国电信创新实验室）；Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）
作业调度优化（JSO）的主题是处理组织中的作业调度，以便根据假设的目标优化组织单个工作步骤。在本文中，提供了一个用例，它涉及JSO的一个子方面，作业车间调度问题（JSSP或JSP）。由于许多优化问题JSSP是NP完全的，这意味着复杂性随着系统中的每个节点呈指数级增加。该用例的目标是展示如何使用约束编程（CP）和量子计算（QC）为灵活组织的机械中的某些工件创建优化的责任公鸡，并与自主地面车辆（AGV）相结合。经典的解决方案的基础上CP和量子退火模型的结果，并进行了讨论。所有提出的结果都在研究项目PlanQK中得到了阐述。
2021-09-10 cs.AI
Monte-Carlo Tree-Search for Leveraging Performance of Blackbox Job-Shop Scheduling Heuristics
Aucos（奥科斯）；Maastricht University（马斯特里赫特大学）
在制造业中，生产通常是在现成的生产线上完成的，由于知识产权的原因，其底层的调度算法是未知的。我们认为这样的设置与一个黑盒子的作业车间系统和一个未知的调度启发式，对于一个给定的排列的工作，调度的工作，黑盒子的作业车间的目标是最小化的完工时间。在这里，作业需要以给定的排列顺序进入作业车间，但是可以在作业车间内采取不同的路径，这取决于黑盒启发式。黑盒启发式算法的性能取决于作业的顺序，而制造商的自然问题是找到作业的最优排序。面对如上所述的现实世界的情况下，我们工程师的蒙特卡罗树搜索找到一个接近最优的订单的工作。针对规划问题求解空间大的问题，提出了一种基于作业抽象的分层蒙特卡罗树搜索（H-MCTS）方法。在合成和现实生活中的问题，H-MCTS与综合抽象显着优于纯基于数学的技术以及其他蒙特卡洛搜索变种。我们还表明，通过修改H-MCTS中的评估指标，可以实现其他优化目标，而不是调度算法的设计目标-例如，最小化总完工时间而不是最大完工时间。我们的实验观察也已在现实生活中的情况下进行了验证，我们的H-MCTS方法已在生产工厂的控制器中实施。
2022-12-14 cs.AI math.OC
Learning to Dispatch for Job Shop Scheduling via Deep Reinforcement Learning
Nanyang Technological University（南洋理工大学）；Institute of Marine Science and Technology, Shandong University（山东大学海洋科学与技术研究院）；National University of Singapore（新加坡国立大学）；Singapore Institute of Manufacturing Technology, A*STAR（新加坡科技研究局制造技术研究院）
优先级调度规则（PDR）被广泛应用于解决实际车间调度问题（JSSP）。然而，设计有效的项目执行报告是一项繁琐的任务，需要大量的专业知识，而且往往只能提供有限的绩效。在本文中，我们提出通过端到端深度强化学习代理自动学习PDR。我们利用JSSP的析取图表示，并提出了一个基于图神经网络的方案来嵌入在求解过程中遇到的状态。由此产生的策略网络是大小不可知的，有效地实现了对大规模实例的泛化。实验表明，该代理可以从头开始学习高质量的PDR与基本的原始特征，并表现出强大的性能对现有的最好的PDR。学习的策略在训练中看不到的更大的实例上也表现良好。
2020-10-23 cs.AI cs.LG stat.ML
Beyond Training: Optimizing Reinforcement Learning Based Job Shop Scheduling Through Adaptive Action Sampling
Institute for Technologies and Management of Digital Transformation（数字化转型技术与管理研究所）
本文针对作业车间调度中训练好的深度强化学习智能体在推理阶段使用不充分的问题，提出δ-采样方法以自适应调节探索与利用，并给出最优参数化算法，实验验证其能有效提升解的质量。
2024-06-11 cs.AI cs.LG
Recurrent neural network approach for cyclic job shop scheduling problem
School of Computer Science and Informatics, University College Dublin（都柏林大学学院计算机科学与信息学院）；University of Artois（阿图瓦大学）
虽然循环调度涉及到许多现实世界的应用，解决衍生问题仍然是指数的复杂性。本文着重于建模的制造应用程序作为一个循环的车间作业问题，我们已经开发出一种有效的神经网络方法，以尽量减少周期时间的时间表。我们的方法为制造生产引入了一个有趣的模型，并且它也非常有效，适应性和灵活性足以与其他技术一起工作。实验结果验证了该方法，并证实了我们的假设的系统模型和神经网络的效率，这样一类问题。
2019-10-21 cs.AI
Attention-based Reinforcement Learning for Combinatorial Optimization: Application to Job Shop Scheduling Problem
Arizona State University（亚利桑那州立大学）；Intel Corporation（英特尔公司）
本研究提出一种基于注意力的强化学习方法，结合策略梯度与改进Transformer，用于作业车间调度问题，能泛化至更大规模问题，并优于现有方法及启发式规则。
2024-03-18 cs.AI
Learning to Solve Job Shop Scheduling under Uncertainty
Jolibrain（若利布蘭）；ONERA-DTIS（法國航空航天研究院）；Université de Toulouse（圖盧茲大學）
本文提出Wheatley方法，结合图神经网络与深度强化学习，用于求解持续时间不确定的作业车间调度问题，以最小化平均完工时间，并提升了泛化性与可扩展性。
2024-03-04 cs.AI cs.LG stat.ML
Large-Scale Benchmarks for the Job Shop Scheduling Problem
这份报告包含了两个新的车间调度基准，类似于实际调度问题的实例，因为它们出现在工业中的描述。特别是，其目的是提供大规模基准（高达100万次操作），以测试最先进的调度解决方案，这些解决方案更接近于真实工业环境中发生的问题。第一个基准是著名的Taillard基准（1992）的扩展，而第二个是一个已知的最佳解决方案的调度实例的集合。
2021-03-21 cs.AI cs.DS cs.PF
Learning Topological Representations with Bidirectional Graph Attention Network for Solving Job Shop Scheduling Problem
Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Eindhoven University of Technology（埃因霍温理工大学）；Institute of Marine Science and Technology, Shandong University（山东大学海洋科学与技术研究院）
本文提出拓扑感知双向图注意力网络（TBGAT），通过正向和反向视图嵌入析取图并利用拓扑排序特征，在局部搜索框架中解决作业车间调度问题，计算复杂度呈线性，并在多个基准上取得新的SOTA结果。
2024-06-05 cs.AI cs.LG
Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning
Beijing Institute of Technology（北京理工大学）；Beijing Institute of Technology Chongqing Innovation Center（北京理工大学重庆创新中心）；Tongji University（同济大学）
针对柔性作业车间调度问题，提出融合自注意力与深度强化学习的端到端框架，利用双注意力网络精确建模工序-机器关系，在合成数据与公开基准上优于传统优先调度规则和最先进强化学习方法，部分场景媲美精确方法。
2023-06-17 cs.AI cs.LG
Adaptive Bias Generalized Rollout Policy Adaptation on the Flexible Job-Shop Scheduling Problem
Safran Electronics and Defense（萨弗兰电子与国防公司）；LAMSADE, Université Paris Dauphine-PSL（巴黎第十一大学LAMSADE）
针对NP难的柔性作业车间调度问题，提出一种基于广义嵌套滚动策略自适应的新型算法，实验表明其性能优于其他基于MCTS的方法，但大规模算例的最大完工时间仍与已知上界有差距。
2025-05-20 cs.AI
An End-to-End Reinforcement Learning Approach for Job-Shop Scheduling Problems Based on Constraint Programming
University of Klagenfurt（克拉根福大学）；Graz University of Technology（格拉茨工业大学）
针对约束规划求解大型作业车间调度问题扩展性差的问题，提出结合约束规划与强化学习的端到端方法，仅需通用CP编码和小型算例即可训练出泛化性强的优先级分派规则智能体，在7个数据集上验证了其在相同时限内对超大型算例的求解质量优于静态PDR和CP求解器。
2023-06-09 cs.AI cs.LG
Google vs IBM: A Constraint Solving Challenge on the Job-Shop Scheduling Problem
Universitaet Klagenfurt（克拉根福大学）
车间作业调度问题是从计算机时代开始至今研究最多的优化问题之一。它的组合性质使得它很容易表示为一个约束满足问题。在本文中，我们比较了两个约束求解器的性能上的作业车间调度问题。有问题的求解器是：OR-Tools，一个由Google开发的开源求解器，最后一个MiniZinc挑战赛的获胜者，以及CP Optimizer，一个针对工业调度问题的专有IBM约束求解器。比较是基于找到的解决方案的优劣和解决问题实例所需的时间。首先，我们从文献中的经典基准，然后我们进行了比较的基准，创建与已知的最佳解决方案，与现实世界的工业问题的规模相当。
2019-09-18 cs.AI cs.PF
Decision Transformer for Enhancing Neural Local Search on the Job Shop Scheduling Problem
Institute for Technologies and Management of Digital Transformation, Wuppertal（伍珀塔尔数字转型技术与管理研究所）
本文提出在神经局部搜索智能体的搜索轨迹上训练决策Transformer，以学习更优的局部搜索策略，并在允许较长计算时间的场景下取得JSSP求解的最先进结果。
2025-02-04 cs.AI cs.LG
PORL: Pretrained Offline Reinforcement Learning for the Job Shop Scheduling Problem
Rosenheim University of Applied Sciences（罗森海姆应用科学大学）
本文提出PORL，一种结合在线预训练与离线微调的混合强化学习方法，用于作业车间调度，通过KL约束减少策略偏移，在分布偏移下优于独立离线强化学习，且对数据质量不敏感。
2026-09-28 cs.AI cs.LG
Investigation of the Generalisation Ability of Genetic Programming-evolved Scheduling Rules in Dynamic Flexible Job Shop Scheduling
Centre for Data Science；Artificial Intelligence \& School of Engineering；Computer Science, Victoria University of Wellington, Wellington 6140, New Zealand
本文研究了遗传编程演化调度规则在动态柔性作业车间调度中的泛化能力，通过多维度实验揭示了影响GP性能的关键因素。
2026-01-22 cs.AI
Investigating the Monte-Carlo Tree Search Approach for the Job Shop Scheduling Problem
University of Liege（列日大学）
本研究探索蒙特卡洛树搜索（MCTS）解决大规模作业车间调度问题（JSSP）的潜力，提出多种MDP建模公式并引入新合成基准，实验证明MCTS优于约束规划方法。
2025-01-29 cs.AI math.OC
A Tailored NSGA-III Instantiation for Flexible Job Shop Scheduling
Leiden University（莱顿大学）
针对多目标柔性作业车间调度问题，提出了一种定制的多目标进化算法。它使用智能初始化方法来丰富第一个生成的种群，并提出了各种交叉算子，以创建一个更好的多样性的后代。特别地，采用了可调算法参数的MIP-EGO配置器来自动调整算子概率。此外，采用不同的局部搜索策略，探索更好的解决方案的邻域。通常，算法增强策略可以与任何标准EMO算法集成。在本文中，它已与NSGA-III解决基准多目标FJSP，而现成的NSGA-III的实现是不能解决FJSP。实验结果表明，该算法具有良好的性能和较小的计算开销.
2020-04-14 cs.AI cs.NE
Learning-Guided Rolling Horizon Optimization for Long-Horizon Flexible Job-Shop Scheduling
MIT（麻省理工学院）
针对长周期柔性作业车间调度等组合优化问题中滚动时域优化存在冗余计算的问题，提出首个学习引导的L-RHO框架，通过神经网络固定无需重优化的变量缩小子问题规模，在提速最高54%的同时提升解质量，且具备良好泛化性并附理论分析。
2025-02-18 cs.AI cs.LG math.OC
Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to Sequence approach
University of Turin（都灵大学）
本文提出了一种基于序列到序列编码器-解码器模型的端到端深度强化学习方法，用于自动学习作业车间调度规则，在基准测试中优于经典优先调度方法并与最先进深度强化学习方法表现相当。
2023-08-03 cs.AI cs.LG cs.NE
Solution-Guided Multi-Point Constructive Search for Job Shop Scheduling
University of Toronto（多伦多大学）
解引导多点构造搜索（Solution-Guided Multi-Point Constructive Search，SGMPCS）是一种新颖的构造搜索技术，它执行一系列资源有限的树搜索，每次搜索从空解（如随机重启）或搜索过程中遇到的解开始。在搜索过程中保留了少量的这些“精英解决方案"。我们介绍的技术，并进行了三组实验的作业车间调度问题。首先，进行了系统的，完全交叉的研究SGMPCS的各种参数设置的性能影响进行评估。其次，我们探讨了精英解决方案集的多样性，显示，与预期相反，一个不太多样化的设置导致更强的性能。最后，我们比较的最佳参数设置的SGMPCS从前两个实验的时间回溯，有限的差异搜索，随机重新启动，和一个复杂的禁忌搜索算法的一组著名的基准问题。结果表明，SGMPCS是显着优于其他建设性的技术测试，虽然落后于禁忌搜索。
2011-10-12 cs.AI
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）
本文提出MIStar框架，通过记忆增强的异构图神经网络和并行贪婪搜索策略，提升灵活作业车间调度的调度效果。
2026-03-03 cs.AI cs.LG
Learning-enabled Flexible Job-shop Scheduling for Scalable Smart Manufacturing
DGIST（大邱庆北科学技术院）
针对FJSPT中DRL方法的规模泛化挑战，提出异构图调度器HGS，利用图结构决策框架降低编码复杂度，在未见过的大规模实例上优于传统方法。
2024-02-14 cs.AI cs.LG cs.SY
Neural Combinatorial Optimization for Stochastic Flexible Job Shop Scheduling Problems
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven Artificial Intelligence Systems Institute（埃因霍温人工智能系统研究所）；Delmia R&D, Dassault Systèmes（达索系统Delmia研发部）
本文提出基于注意力的场景处理模块（SPM），将神经组合优化扩展至随机作业车间调度问题，通过显式引入随机场景嵌入学习有效策略，在柔性调度中优于现有方法且具强泛化能力。
2024-12-18 cs.AI cs.LG math.OC
An Analysis of the Coordination Gap between Joint and Modular Learning for Job Shop Scheduling with Transportation Resources
通过资源稀缺性和时间主导性分析，量化联合训练与模块化训练在带运输资源的作业车间调度中的性能差距，发现联合训练在多数情况下更优，但在瓶颈环境下差距缩小。
2026-09-22 cs.AI
Offline Reinforcement Learning for Learning to Dispatch for Job Shop Scheduling
Information Systems IE&IS（信息系统 IE&IS）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出离线强化学习方法Offline-LD，通过从历史调度数据中学习解决作业车间调度问题，在仅用100个约束规划生成解训练时优于在线强化学习，并证明引入噪声可取得相当或更优结果。
2025-07-03 cs.AI cs.LG
Boosting Binary Optimization via Binary Classification: A Case Study of Job Shop Scheduling
University of Tennessee（田纳西大学）
许多优化技术连续地评估解决方案，其中下一个评估候选者由先前评估的结果确定。例如，这些包括迭代法、“黑箱”优化算法、模拟退火、进化算法和禁忌搜索，仅举几例。当解决一个优化问题时，这些算法会评估大量的解，这就提出了以下问题：是否有可能使用这些解来了解最优解？在本文中，我们定义这个“学习”的问题，在逻辑回归模型，并探讨其预测精度计算。所提出的模型使用一组解决方案来预测最优解决方案的组成部分。为了说明这种预测的实用性，我们将逻辑回归模型嵌入到禁忌搜索算法中来求解作业车间调度问题。由此产生的框架是简单的实现，但提供了一个显着的提升标准禁忌搜索的性能。
2018-08-31 cs.AI math.OC
An ant colony optimization algorithm for job shop scheduling problem
Universidad Industrial de Santander（桑坦德工业大学）
蚁群优化算法（ACO）是近年来发展起来的一种新算法，它在解决组合优化中的高复杂度（NP-难）问题方面具有很高的效率。本文描述了一个被称为精英蚂蚁系统（EAS）的ACO模型算法的实现，应用于一个组合优化问题，称为作业车间调度问题（JSSP）。我们提出了一种方法，旨在减少延迟指定立即可用的操作，但考虑到缺乏可用的操作，并具有更大量的信息素。该算法的性能进行了评估的问题JSSP参考，比较质量的解决方案获得的最知名的解决方案的最有效的方法。解决方案的质量很好，并获得了显着的效率，必须作出一个非常低的目标函数的评价。
2013-09-19 cs.AI cs.NE
Self-Labeling the Job Shop Scheduling Problem
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）
针对组合优化问题监督训练依赖昂贵最优解的问题，提出自标注改进方法SLIM，通过采样多解取最优作伪标签自监督训练，在JSP等问题上性能优于现有学习方案与构造启发式，兼具鲁棒性与通用性。
2024-10-31 cs.AI cs.LG math.CO
DyRo-MCTS: A Robust Monte Carlo Tree Search Approach to Dynamic Job Shop Scheduling
Centre for Data Science & Artificial Intelligence（数据科学与人工智能中心）；School of Engineering & 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）
针对动态作业车间中新作业随机到达导致在线规划易受扰动的问题，提出将动作鲁棒性估计融入 MCTS 的 DyRo-MCTS，以可忽略的额外耗时持续提升离线策略性能。
2025-09-26 cs.AI
Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling
City University of Hong Kong（香港城市大学）；Chinese Academy of Sciences（中国科学院）
本文提出Graph-RHO，一种面向关键路径的异构图网络框架，用于解决长horizon柔性作业车间调度问题，通过引入拓扑感知的异构图网络、关键路径感知机制和自适应阈值策略，提升求解质量和效率。
2026-04-11 cs.AI cs.LG
An actor-critic algorithm with policy gradients to solve the job shop scheduling problem using deep double recurrent agents
Sapienza University of Rome（罗马大学）
针对作业车间调度问题（JSSP），提出一种基于双LSTM深度循环智能体的Actor-Critic强化学习算法，通过将JSSP建模为马尔可夫决策过程，实现了能快速求解且具备一定泛化能力的贪心启发式方法。
2023-11-21 cs.AI cs.LG math.OC
A new neighborhood structure for job shop scheduling problems
Huazhong University of Science and Technology（华中科技大学）
车间作业调度问题是一个被广泛研究的NP完全组合优化问题。邻域结构在求解JSP中起着至关重要的作用。目前，有三种最先进的邻里结构，即，N5、N6和N7。改进一些著名的基准的上界是离不开这些邻域结构的作用。然而，这些现有的邻域结构只考虑关键块内的关键操作的移动。根据我们的实验，它也是可能的，以提高最大完工时间的调度方案，通过移动一个关键的操作以外的关键块。根据上述发现，本文提出了一种新的N8邻域结构，该结构考虑了关键操作在关键块内的移动和关键操作在关键块外的移动。此外，设计了邻域裁剪方法，避免了无效运动，减少了计算时间。禁忌搜索是一种结合邻域结构的常用算法框架。本文使用这个框架比较N8邻域结构与N5，N6和N7邻域结构的四个著名的基准。实验结果表明，N8邻域结构在求解JSP问题时比其他邻域结构更有效。
2021-09-07 cs.AI
Learning Flexible Job Shop Scheduling under Limited Buffers and Material Kitting Constraints
National University of Defense Technology（国防科技大学）；Institute of AI for Industries Chinese Academy of Sciences（中国科学院工业人工智能研究所）；Shenzhen University（深圳大学）
本文提出一种基于异构图网络的深度强化学习方法，用于在有限缓冲区和物料配套约束下优化灵活作业车间调度，实验表明其在makespan和托盘更换方面优于传统方法。
2026-02-27 cs.AI
Policy-Based Reinforcement Learning with Action Masking for Dynamic Job Shop Scheduling under Uncertainty: Handling Random Arrivals and Machine Failures
South Westphalia University of Applied Sciences（西南弗劳恩霍夫应用科学大学）
本文提出了一种结合可解释Petri网模型与自适应强化学习策略的动态作业车间调度方法，通过行动掩码策略有效应对随机到达和机器故障问题，提升调度的鲁棒性和可解释性。
2026-01-14 cs.AI
An Expectation-Maximization Algorithm-based Autoregressive Model for the Fuzzy Job Shop Scheduling Problem
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
本文针对模糊作业车间调度问题（FJSSP），提出基于期望最大化算法的自回归模型（EMARM），将其视为生成任务，通过E步生成调度方案和M步更新模型权重的交替训练，有效规避了获取真实标签的难题，实验证明其在模糊调度中表现卓越。
2025-01-11 cs.AI
Solving a Multi-resource Partial-ordering Flexible Variant of the Job-shop Scheduling Problem with Hybrid ASP
Infineon Technologies Austria AG（奥地利英飞凌科技股份公司）；University of Klagenfurt（克拉根福大学）
生产周期中的许多复杂活动，如质量控制或故障分析，需要经验丰富的专家使用不同的工具对（半）成品执行各种操作。在实际场景中，下一个操作的选择是复杂的，因为每个专家对要执行的操作的总集合只有局部视图。因此，专家作出的决定是次优的，可能会造成巨大的成本。在本文中，我们考虑了多资源部分订购的柔性作业车间调度（MPF-JSS）问题，部分订购的操作序列必须安排在多个所需的资源，如工具和专家。资源是灵活的，可以根据其属性执行一个或多个操作。该问题是建模使用答案集编程（ASP），其中的时间分配是有效地使用差分逻辑。此外，我们提出了两个多镜头解决策略，旨在识别的时间界限，允许解决的时间表优化问题。从一个中型的半导体故障分析实验室提取的一组实例进行的实验表明，我们的方法可以找到87的91个考虑现实世界的实例的时间表。
2021-01-26 cs.AI
Residual Scheduling: A New Reinforcement Learning Approach to Solving Job Shop Scheduling Problem
National Yang Ming Chiao Tung University（国立阳明交通大学）；Academia Sinica（中央研究院）
针对NP-hard的作业车间调度问题及其柔性变体，提出基于状态精简的残差调度强化学习方法，在多数公开基准上达到构造式启发式算法SOTA，且小样本训练的模型在大规模问题上表现优异。
2023-10-03 cs.AI
Enhancing Constraint Programming via Supervised Learning for Job Shop Scheduling
La Trobe University（乐卓博大学）；Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）；Monash University（莫纳什大学）；The University of Melbourne（墨尔本大学）
本文提出一种基于监督学习的变量排序策略，通过预测作业车间调度问题的最优解来指导约束规划求解器，实验表明该方法训练高效、准确率高，且与传统方法混合后能进一步提升求解性能。
2023-04-12 cs.AI
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）
最近，各种约束规划和布尔可满足性方法已被引入到调度问题。它们的共同点是使用相对简单的传播机制和自适应的方法来关注问题中最受约束的部分。在某些情况下，这些方法相比更经典的约束编程方法依赖于传播算法的全局一元或累积资源约束和专用的搜索算法。特别是，我们描述了一种方法，结合重新启动，与通用的自适应启发式和解决方案指导分支上的一个简单的模型的基础上分解的析取约束。在本文中，我们介绍了一个适应这种技术的一个重要子类的车间作业调度问题（JSP），其中的目标函数涉及最小化提前/拖期成本。我们进一步表明，我们的技术可以通过添加特定于域的JSP的一个变体（涉及时滞约束）的信息进行改进。特别是，我们引入了一个专用的贪婪启发式，并改进模型的情况下，最大的时间滞后为0（也称为无等待JSP）。
2011-09-27 cs.AI
