On-line Planning and Scheduling: An Application to Controlling Modular Printers
University of New Hampshire(新罕布什尔大学);Palo Alto Research Center(帕洛阿尔托研究中心)
我们提出了一个案例研究的人工智能技术应用于生产印刷设备的控制。像许多其他现实世界的应用程序一样,这个复杂的领域需要高速自主决策和强大的连续操作。据我们所知,这项工作是第一次成功的工业应用嵌入式域独立的时间规划。我们的系统处理执行失败和多目标偏好。其核心是一个在线算法,结合了状态空间规划和偏序调度技术。我们认为,这种一般的架构可能会证明在其他应用程序中更智能的系统在连续的,在线设置中的有用。我们的系统已用于驱动多个商业原型,并为我们的工业合作伙伴提供了新的产品架构。与最先进的离线规划器相比,我们的系统速度快数百倍,并且经常找到更好的计划。我们的经验表明,基于启发式搜索的独立于领域的人工智能规划可以在高速实际应用中灵活地处理时间、资源、重新规划和多个目标,而不需要手工编码的控制知识。
2014-01-16 cs.AI
Planning in Strawberry Fields: Evaluating and Improving the Planning and Scheduling Capabilities of LRM o1
本文评估了 OpenAI o1 系列大型推理模型在规划与调度任务上的能力,发现其相比自回归 LLM 有显著提升但推理成本高且缺乏正确性保证,并提出结合外部验证器的 LRM-Modulo 系统以同时保证输出正确性并提升性能。
2024-10-03 cs.AI
Time-interval balancing in multi-processor scheduling of composite modular jobs (preliminary description)
Inst. for Inform. Transmission Problems, Russian Academy of Sciences(俄罗斯科学院信息传输问题研究所)
本文描述了组合模块作业多处理机调度中的一种特殊的时间间隔平衡。这种调度问题是接近准时计划的方法。首先,简要的文献调查提出了准时调度和交货期数据/交货期窗口调度问题。在此基础上,提出了组合模块化工件的时间间隔均衡调度问题及其形式。说明性的现实世界的规划模块化住宅建设的例子进行了描述。在这里,主要的目标函数包括典型建筑模块(细节)的生产和建筑的组装过程(由几个团队)之间的平衡。必须修改装配计划以满足平衡要求。求解框架基于以下内容:(i)聚类初始模块化细节类型集合以获得对应于主要制造输送机的大约10个基本细节类型;(ii)设计用于建筑物的装配的初步计划;(iii)检测不平衡的时间段;(iv)修改计划解决方案以改善进度平衡。该框架实现了基于局部优化方法的元启发式。另外两个应用(供应链管理,信息传输系统)进行了简要说明。
2018-11-11 cs.AI
TPS-Bench: Evaluating AI Agents' Tool Planning \& Scheduling Abilities in Compounding Tasks
Shanghai Jiaotong University(上海交通大学)
本文提出TPS-Bench基准,评估LLM智能体在复合任务中的工具规划与调度能力,发现主流模型在调度效率上存在差异,并验证强化学习能有效提升调度效率与任务完成率。
2025-11-03 cs.AI
Planning, Scheduling, and Uncertainty in the Sequence of Future Events
Artificial Intelligence Technology Group(人工智能技术组);FMC Corporation(FMC公司)
工厂环境中的调度由于计算复杂性和时间不确定性而变得复杂。总之,这两个因素保证了构建最佳时间表的过程将是昂贵的,并且执行该时间表的机会将是微小的。任务执行时间的时间不确定性可以通过几种方法来抵消:通过仔细的工程来消除不确定性,在确定性丢失时恢复确定性,通过使用更精确的传感器来减少不确定性,以及量化和限制剩余的不确定性。不幸的是,这些方法只集中在不确定性的来源,并未能应用知识的任务,这是调度。一个完整的解决方案必须根据生产世界的发展状态调整要执行的活动的时间表。视觉导向组装的例子来说明,最小承诺的原则,在创建一个计划,在表示的时间表,并在执行的时间表,使机器人智能和有效地操作,即使在存在相当大的不确定性的未来事件的顺序。
2013-03-27 cs.AI
WORKSWORLD: A Domain for Integrated Numeric Planning and Scheduling of Distributed Pipelined Workflows
本文提出WORKSWORLD领域,用于永久调度工作流的数值无关规划器,通过定义数据源、组件和目标,解决联合规划与调度问题,实验证明在普通硬件上可处理最多14个组件的线性链工作流。
2026-03-18 cs.AI cs.DC
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
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架,用于多物体共享空间的调度与运动规划,通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Solving Integrated Process Planning and Scheduling Problem via Graph Neural Network Based Deep Reinforcement Learning
Shanghai University of Finance and Economics(上海财经大学);Cardinal Operations;Shanghai Jiao Tong University(上海交通大学)
本文提出一种端到端深度强化学习方法,将IPPS建模为MDP并用异构图神经网络捕捉操作、机器与作业关系,结合PPO优化调度策略,在大规模实例中显著提升求解效率与质量。
2024-09-02 cs.AI cs.LG math.OC
Metaheuristics for the operating theater planning and scheduling: A systematic review
Telfer School of Management, University of Ottawa(渥太华大学泰尔弗管理学院)
关于手术室计划与调度问题的研究已有大量的文献。这个问题的不同变体通常被认为是NP完全的,因此,在文献中已经使用了几种解决方法来面对这些复杂的问题。缺乏一个彻底的审查解决方案的方法的主要特点是有形的文献(审查他们单独和关于研究问题的特点),这可以提供务实的指导方针,为从业者和未来的研究项目。本文旨在解决这一问题。由于不同类型的解决方案通常有不同的特点,本文只侧重于元启发式算法。通过自动和手动检索方法,我们选择和审查了28篇论文的主要问题和解决方法的特点。最后,对未来的研究方向进行了展望。
2020-08-11 cs.AI math.OC
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
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)(NVIDIA西雅图机器人实验室);University of Sydney(悉尼大学)
提出ScheduleStream,首个通用框架,通过混合持续动作和领域无关算法,结合GPU加速采样器,实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
A mathematical model for simultaneous personnel shift planning and unrelated parallel machine scheduling
University of Victoria(维多利亚大学)
本文针对人员数量少于机器数量的不相关并行机调度问题,提出一种混合整数线性规划模型和两步求解方法,通过最大化接受作业数并最小化生产时间,在合成实例和食品加工厂真实案例中验证了模型在人员排班与生产调度中的有效性。
2024-02-24 cs.AI cs.DM
Planning, Scheduling, and Behavior in EV Charging Systems: A Critical Survey and Trilemma Framework
The College of William \& Mary, Williamsburg, VA, USA;University of Georgia, Athens, GA, USA;University of Louisville, Louisville, KY, USA
本文综述了电动汽车充电系统中规划、调度和行为三个层面的研究,提出了三重困境框架,揭示了在追求高保真度时面临的可计算性与现实整合之间的权衡问题。
2026-05-20 cs.AI cs.MA
AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions
Université Paris-Saclay(巴黎萨克雷大学);CentraleSupélec(中央理工-高等电力学院)
本文提出一种基于深度强化学习的自主决策规划模型,用于轨道转移飞行器的最优碎片清除序列规划,使智能体能在动态轨道条件下自主更新计划并处理高碰撞风险碎片。
2024-09-25 cs.AI
Capacity Planning and Scheduling for Jobs with Uncertainty in Resource Usage and Duration
AI Research(AI研究);J.P. Morgan(摩根大通);CIB Athena Applied Intelligence(CIB Athena应用智能)
本文针对本地网格计算环境中的作业容量规划与调度问题,提出基于确定性估计器和配对采样约束规划的近似方法,以同时最小化资源使用并保证服务质量,在金融行业资源使用和作业时长不确定条件下显著降低峰值资源使用。
2025-07-21 cs.AI cs.DC
Optimal Route Planning with Prioritized Task Scheduling for AUV Missions
提出了一种自主式水下机器人(AUV)大规模航路规划与任务分配联合问题的解决方案。给定一组约束条件(例如,时间)和一组任务优先级值,目标是在满足给定约束条件下,找到最大优先级和最小总风险百分比的水下任务最优路径。利用遗传算法和群体智能算法在求解NP-难图问题中的启发式特点,采用粒子群优化算法(PSO)和遗传算法(GA)求解最优解,种群中的每一个体都是一个候选解(路径)。为了评估所提出的方法的鲁棒性,所有的PS和GA算法的性能进行了检查和比较的Monte Carlo运行的数量。仿真结果表明,两种算法生成的航迹可行、可靠,可用于水下运动规划。然而,基于GA的路线规划产生优越的结果相比,从基于PSO的路线规划获得的结果。
2016-04-12 cs.AI cs.RO
Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach
Beijing University of Posts and Telecommunications(北京邮电大学);Massachusetts Institute of Technology(麻省理工学院);IFLYTEK Co., Ltd(科大讯飞股份有限公司)
日益严重的交通拥堵可能会阻碍紧急车辆(EV)的可达性,从而对关键服务甚至人们的生命安全造成不利影响。因此,提出一种有效的调度方法来帮助电动汽车更快地到达是非常重要的。现有的以车辆为中心的调度方法旨在根据当前的交通状况为电动汽车推荐最佳路径,而以道路为中心的调度方法旨在改善交通状况,并为电动汽车分配更高的优先级通过交叉口。基于车路信息实时交互和策略协调能带来更大效益的直觉,提出了基于学习的车路协同调度方法LEVID,该方法包括实时路径规划模块和协同交通信号控制模块,它们相互交互并迭代决策.实时路径规划模块采用人工势场法来处理交通信号的实时变化,避免陷入局部最优。协同交通信号控制模块利用图注意力强化学习框架提取不同交叉口的潜在特征并抽象它们的相互作用以学习协同策略。基于多个真实世界数据集的大量实验表明,我们的方法优于最先进的基线。
2022-02-20 cs.AI
Temporal-IRL: Modeling Port Congestion and Berth Scheduling with Inverse Reinforcement Learning
Sichuan University(四川大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出Temporal-IRL模型,利用逆强化学习从历史AIS数据中重构泊位调度并学习奖励函数,以预测船舶排序和港口停留时间,从而准确预测港口拥堵。
2025-06-24 cs.AI
Real-time scheduling of renewable power systems through planning-based reinforcement learning
Tsinghua University(清华大学);State Grid Corporation of China(国家电网有限公司);National Power Dispatching and Control Center(国家电力调度控制中心);China Electric Power Research Institute(中国电力科学研究院)
不断增长的可再生能源对传统的电力调度提出了重大挑战。运营商很难获得准确的可再生能源发电的前一天预测,从而要求未来的调度系统做出与超短期预测一致的实时的【形】调度决策。受计算速度的限制,传统的基于优化的方法无法解决这一问题。强化学习(RL)的最新发展已经证明了解决这一挑战的潜力。然而,现有的强化学习方法在约束复杂度、算法性能和环境保真度方面存在不足。我们是第一个基于最先进的强化学习算法和真实电网环境提出系统解决方案的公司。所提出的方法使规划和更精细的时间分辨率调整发电机,包括单位承诺和经济调度,从而提高电网的能力,接纳更多的可再生能源。训练有素的调度代理显着减少可再生能源削减和负荷削减,这是传统调度依赖于不准确的前一天预测所产生的问题。高频控制决策利用了现有机组的灵活性,减少了电网对硬件改造的依赖,节省了投资和运营成本,实验结果表明。这项研究展示了强化学习在促进低碳和智能电力系统方面的潜力,并代表了可持续发电的坚实一步。
2023-03-13 cs.AI cs.LG cs.SY
Train Scheduling with Hybrid Answer Set Programming
SBB Switzerland(瑞士联邦铁路);Potassco Solutions Germany(德国Potassco解决方案公司);Simon Fraser University(西蒙弗雷泽大学);Griffith University(格里菲斯大学);University of Potsdam(波茨坦大学)
提出了一种基于回答集编程(ASP)的训练调度问题的解决方案。为此,我们追求一种混合的方法,扩展ASP与不同的约束,以考虑细粒度的时间。更确切地说,我们举例说明如何混合ASP系统clingo[DL]可以用来解决苛刻的计划和调度问题。特别是,我们研究了如何提高性能相结合的不同ASP解决技术,如近似和算法,预处理和编码技术,以解决大规模的,现实世界的训练调度实例。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2020-03-19 cs.AI
Planning and Scheduling in Digital Health with Answer Set Programming
University of Genoa(热那亚大学)
在医院的世界里,有几个复杂的组合问题,解决这些问题对于提高病人的满意度和提供的护理质量是很重要的。医疗保健中的问题是复杂的,因为要解决这些问题,应考虑到几个限制因素和不同类型的资源。此外,解决方案必须在很短的时间内进行评估,以确保在实际场景中的可用性。我们计划提出这些问题的解决方案,既扩大已经测试的解决方案,并通过建模解决新的问题,考虑到文献和使用真实的数据时,可用。解决这类问题很重要,但由于欧盟委员会制定了《通用数据保护条例》,规定每个人都有权要求解释人工智能做出的决定,如果不开发解释性方法,基于人工智能的解决方案(例如基于答案集编程的解决方案)的使用将受到限制。因此,研究的另一部分将致力于研究和提出新的方法来解释所获得的解决方案。
2022-08-05 cs.AI cs.LO
Resource-constrained multi-project scheduling with activity and time flexibility
University of Applied Sciences Upper Austria(上奥地利应用科技大学);Johannes Kepler University(约翰内斯·开普勒大学)
在制造环境中的项目调度往往需要灵活的选择和替代生产活动的确切长度。此外,在许多生产计划应用中,多个批次的同时调度是强制性的。为了满足这些要求,一个新的资源受限的项目调度问题(RCPSP)的介绍,这两个决策(活动的灵活性和时间的灵活性)集成。除了最小化的完工时间,提出了两个新的替代目标:最大化的平衡长度的选择活动(时间平衡)和最大化的平衡资源利用率(资源平衡)。提出了新的混合整数和约束规划(CP)模型的开发集成柔性项目调度问题。已经存在的灵活的RCPSP和新开发的问题的基准实例解决的最优性。所建议的CP模型的现实世界的适用性,另外解决了一个大的行业案例。
2020-10-23 cs.AI
Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting
Maptek Pty. Ltd(Maptek私人有限公司);The University of Adelaide(阿德莱德大学)
本文提出在进化矿山排产中引入不确定性折现机制,以概率界限刻画各周期利润,牺牲单一模型最优性来降低下行风险,并在 Maptek Evolution 上验证了其有效性。
2023-05-29 cs.AI cs.NE
A Benchmark Study of Deep Reinforcement Learning Algorithms for the Container Stowage Planning Problem
Leiden University(莱顿大学);Leiden Institute of Advanced Computer Science(莱顿高级计算机科学研究所)
针对集装箱配载规划领域缺乏强化学习算法系统基准对比的问题,构建含多/单智能体岸桥调度的可复用Gym环境,评估五种RL算法在不同复杂度场景下的性能,为海运物流相关研究与应用提供基础。
2025-10-02 cs.AI
Capacity-Aware Planning and Scheduling in Budget-Constrained Multi-Agent MDPs: A Meta-RL Approach
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对预算和容量受限的多智能体MDP,提出基于LSAP分组与元训练PPO的两阶段方法,在工业机器人维修调度中有效提升平均正常运行时间并具备可扩展性。
2025-09-26 cs.AI cs.LG
On the comparison of plans: Proposition of an instability measure for dynamic machine scheduling
Helmut Schmidt University(赫尔穆特·施密特大学)
在分析以往研究的基础上,我们提出了一个通用的方法来衡量计划的差异与机器调度的示例性应用。我们的工作的动机是需要这样的措施,这是用于动态调度和规划的情况。在这方面,需要定量方法来评估时间表的稳健性和稳定性。显然,任何计划的“稳健性”或“稳定性”都必须由W来定义。R. t.具体情况和人类决策者的要求。因此,除了不稳定性措施的建议,我们讨论了从决策者的实施所介绍的方法获得有意义的信息的可能性。
2010-04-27 cs.AI
Reinforcement and Deep Reinforcement Learning-based Solutions for Machine Maintenance Planning, Scheduling Policies, and Optimization
University of Victoria(维多利亚大学)
本文综述了强化学习与深度强化学习在机器维护计划与优化中的应用,通过构建分类法对文献进行系统分类和总结,并指出研究空白与未来方向。
2023-07-07 cs.AI cs.LG
A Maximum Independent Set Method for Scheduling Earth Observing Satellite Constellations
Stanford University(斯坦福大学)
运行地球观测卫星需要协调多个航天器活动的有效规划方法。卫星任务规划问题需要选择最能满足任务目标的自主执行行动。任务调度通常由人工操作员在启发式或基于规则的规划工具的帮助下执行。这种方法不能有效地扩展到多个资产,因为物流经常无法在长期内适当地协调多个车辆的动作。此外,对于大型星座,问题变得更加难以解决,因为问题的复杂性在所请求的观测数量上呈指数级变化,在航天器数量上呈线性变化。预计新的商业光学和雷达成像星座将需要自动规划方法,以满足规定的响应能力和吞吐量目标。本文介绍了一种新的方法来解决卫星调度问题,通过生成一个基于不可行性的图表示的问题,并找到一个最大的独立集的顶点图。该方法是测试的场景多达10,000个请求成像位置的天空卫星星座的光学卫星,以及模拟星座多达24颗卫星。性能与当代图遍历和混合整数线性规划方法进行比较。实证结果表明,改进的解决方案的时间以及预定的集合超过基线方法的数量。对于大型问题,最大独立集方法能够找到一个可行的时间表,在75%的时间内收集8%以上。
2020-08-15 cs.AI cs.SY eess.SY
Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics
Faculty of Wood Technology and Construction(木材技术与建筑学院);Rosenheim Technical University of Applied Sciences(罗森heim应用技术大学);Center for Research, Development and Transfer(研究、开发与转让中心);Faculty of Management and Engineering(管理与工程学院)
本文提出一种深度强化学习模型,扩展传统作业车间调度以涵盖机器设置、批次变异和内部物流,通过两种集成策略优化家具行业的生产调度效率与准确性。
2024-09-18 cs.AI cs.LG cs.SY
Agent JIT Compilation for Latency-Optimizing Web Agent Planning and Scheduling
Stanford University(斯坦福大学)
提出Agent即时编译系统,通过JIT-Planner生成代码计划、JIT-Scheduler探索并行化策略及不变式工具协议,显著降低延迟并提高准确性。
2026-05-29 cs.AI cs.LG
A Constraint-based Encoding for Domain-Independent Temporal Planning
我们提出了一个通用的基于约束的编码领域无关的任务规划。任务规划的特点是因果关系表示为条件和可选行动的影响。可能的操作通常由模板表示,其中每个模板可以实例化为多个基本操作。虽然大多数以前的工作领域独立的任务规划集中在一个面向状态的视图中的原始动作,我们的编码使用一个完全解除表示在行动模板的水平。它遵循的精神,以前的工作在基于约束的调度面向时间的观点。因此,所提出的编码是简单和紧凑的,因为它随着解决方案计划中的动作的数量而不是可能的原始动作的数量而增长。当用SMT求解器求解时,我们表明,所提出的编码在时间约束规划基准上比最先进的方法稍微更有效,同时明显优于其他完全基于约束的方法。
2018-06-26 cs.AI
RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet,利用LLM进行集中式多机器人任务规划与调度,通过模块化自主技术栈和容器化服务抽象,降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Solving a Flowshop Scheduling Problem with Answer Set Programming: Exploiting the Problem to Reduce the Number of Combinations
Tecnológico Nacional de México - Tecnológico de Chihuahua(墨西哥国家技术学院——奇瓦瓦技术学院)
计划和调度一直是计算机科学研究的中心主题。特别是,简单的无等待流水车间调度问题的理论方法不允许感知问题的复杂性在第一眼。本文探讨了应答集程序设计语言在解决半导体制造系统中自动湿法刻蚀调度问题中的适用性。为了减少大量的组合,提出了一种基于范围的方法。
2019-09-19 cs.AI cs.LO
A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory
The University of Hong Kong(香港大学)
本文针对配备RFID的智能工厂案例,通过挖掘RFID数据量化生产不确定性,提出基于深度强化学习的动态调度框架,仿真显示其在最小化总完工时间上优于FIFO、LIFO和DQN方法。
2026-08-18 cs.AI
A Negotiation-Based Multi-Agent Reinforcement Learning Approach for Dynamic Scheduling of Reconfigurable Manufacturing Systems
Industrial and Systems Engineering Department, Oakland University(奥克兰大学工业与系统工程系)
针对可重构制造系统(RMS)动态调度需求,提出基于协商的多智能体强化学习(MARL)框架,通过集中训练的深度Q网络(DQN)智能体实时优化工件-机器分配,结合注意力机制与DQN增强技术,在模拟环境中优于基线算法,验证其智能自适应调度优势。
2025-11-11 cs.AI cs.MA
Mathematical Models and Reinforcement Learning based Evolutionary Algorithm Framework for Satellite Scheduling Problem
National University of Defense Technology(国防科技大学)
对于复杂的组合优化问题,模型和算法是解决方案的核心。许多类型的卫星任务规划问题的复杂性是NP难的,并对解决方案提出了很高的要求。介绍了两类卫星调度问题模型,提出了一种基于强化学习的进化算法框架。
2023-02-01 cs.AI cs.NE math.OC
Online Planner Selection with Graph Neural Networks and Adaptive Scheduling
IBM Research(IBM研究院);University of Basel(巴塞尔大学);Saarland University(萨尔大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室)
自动规划是AI的基础领域之一。由于没有一个单一的计划可以很好地工作,所有的任务和领域,投资组合为基础的技术已成为近年来越来越受欢迎。特别是,深度学习作为在线计划者选择的一种有前途的方法出现。由于最近的发展规划任务的结构图表示,我们提出了一个图神经网络(GNN)的方法来选择候选规划。GNN优于直接的替代方案卷积神经网络,因为它们对节点排列是不变的,并且它们包含节点标签以进行更好的推理。此外,成本最优规划,我们提出了一个两阶段的自适应调度方法,以进一步提高给定的任务被及时解决的可能性。调度器可以在中场休息时切换到不同的计划器,以观察到的第一个计划器的性能为条件。实验结果验证了所提出的方法对强基线的有效性,无论是基于深度学习还是基于非深度学习。代码可在\url{https://github.com/matenure/GNN_planner}上获得。
2019-11-20 cs.AI cs.LG stat.ML
An ASP-based Solution to the Medical Appointment Scheduling Problem
University of Pisa, Italy(意大利比萨大学);Department of Information Engineering, Computer Science(信息工程系);Mathematics, University of L’Aquila,Italy(数学,意大利拉奎拉大学)
本文提出基于ASP的医疗预约安排框架,通过整合Blueprint Personas实现个性化安排,提升效率并减少行政负担。
2026-01-07 cs.AI cs.LO
AstroAgentBench: Evaluating Agentic Planning on Space Mission Planning Tasks
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院)
AstroReason-Bench通过评估代理在复杂空间规划问题中的表现,揭示了通用规划在现实约束下的局限性。
2026-10-05 cs.AI cs.CL
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia(南澳大利亚弗林德斯大学)
自主水下航行器(AUV)需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限,它们应该自主管理任务时间和资源,以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策,而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区,并通过一个航路点覆盖的网络映射。因此,设计一个有效的路由任务优先级分配框架,考虑车辆的可用性和属性是必要的,以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级,这些任务位于操作网络中的节点状航路点之间。另一方面,AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向,并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此,AUV需要在顶层对环境进行总体概述,以执行自主动作选择(任务选择)和较低级别的本地运动规划器,以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构,提供了更高层次的决策自主权的AUV操作,使一个单一的车辆,以完成多个任务,在一个单一的任务,面对周期性的干扰,在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
A metaheuristic for crew scheduling in a pickup-and-delivery problem with time windows
CONICET(阿根廷国家科学技术研究委员会);Universidad Nacional de Rosario(罗萨里奥国立大学);Universidad de Buenos Aires(布宜诺斯艾利斯大学)
针对带时间窗取送货场景下车辆与机组路径独立的VRCSP,提出两阶段求解框架,第二阶段采用带扰动与修复机制的GRASP元启发式算法,可高效求解大规模算例,且双驾驶员机组能显著降低外部班车成本。
2021-02-02 cs.AI cs.DM
Multiscale Adaptive Scheduling and Path-Planning for Power-Constrained UAV-Relays via SMDPs
Arizona State University(亚利桑那州立大学)
我们描述了一个分散的群的旋翼无人机中继编排,增加了地面基站的覆盖范围和服务能力。我们的目标是最小化的时间平均服务时延处理传输请求从地面用户泊松到达,受平均无人机功率约束。配备速率自适应,以有效地利用空对地信道的随机性,我们首先推导出最佳的控制策略,通过一个半马尔可夫决策过程制定单一的继电器,与竞争性群体优化无人机轨迹设计。因此,我们详细介绍了这种结构的多尺度分解:径向等待速度和末端位置的外部决策优化了预期的长期延迟功率权衡;因此,角等待速度,服务时间表和无人机轨迹的内部决策极大地减少了瞬时延迟功率成本。接下来,通过复制和共识驱动的命令和控制来推广无人机群,该策略嵌入了传播最大化和冲突解决策略。我们证明了我们的框架在平均服务延迟和平均每无人机功耗方面提供了卓越的性能:相对于静态无人机中继部署,数据有效载荷传输速度快11倍,比深度Q网络解决方案快2倍;值得注意的是,我们的方案中的一个中继比联合连续凸近似策略下的三个中继高出62%。
2022-10-15 cs.AI cs.SY eess.SP
PeakBench: Benchmarking Resource-Aware Tool Invocation in LLM Agents
School of Artificial Intelligence, Nanjing University(南京大学人工智能学院);Nanjing University(南京大学)
PeakBench是面向LLM智能体的资源感知工具调用基准,通过两部分评估框架解耦逻辑规划与物理调度,实验表明资源信息可减少溢出、提升利用率,为相关研究提供测试平台。
2026-08-26 cs.AI cs.SE
Robust Planning with Compound LLM Architectures: An LLM-Modulo Approach
School of Computing and AI, Arizona State University(亚利桑那州立大学计算与人工智能学院);Google DeepMind(谷歌DeepMind)
本文提出LLM-Modulo复合架构,通过将LLM与健全验证器配对并失败重提示来保证规划输出正确性,在四个调度领域上验证了其显著性能提升。
2024-11-20 cs.AI cs.CL
Why Not? Solver-Grounded Certificates for Explainable Mission Planning
Serana AI Inc.(Serana AI公司)
本文提出基于求解器的可解释任务规划证书方法,通过优化模型本身生成解释,实现正确性、反事实有效性及稳定性,提升调度决策的可解释性。
2026-02-28 cs.AI math.OC
Self-Evaluation for Job-Shop Scheduling
University of the Basque Country(巴斯克大学);TECNALIA(泰克纳利亚(西班牙技术研究中心))
针对组合优化问题的NP难特性及神经组合优化方法的误差累积问题,受大语言模型自我评估技术启发,提出生成评估任务分配子集的新框架,集成异构图神经网络与Transformer构建策略模型及自我评估函数,在作业车间调度基准测试上超越现有方法。
2025-02-12 cs.AI cs.LG
Learning off-road maneuver plans for autonomous vehicles
Université Paris-Dauphine(巴黎多芬大学);Sorbonne Université(索邦大学);Facebook France(Facebook法国);LAAS - CNRS(法国国家科学研究中心图卢兹实验室);LORIA - INRIA(法国国家信息与自动化研究所洛林实验室);Safran(赛峰集团);P&S Group - NASA ARC(美国宇航局艾姆斯研究中心P&S小组);CREC Saint-Cyr(圣西尔军校战争研究中心)
本文探讨了机器学习算法在越野情况下为自动驾驶车辆的在线规划和调度带来的好处。主要是,我们专注于感兴趣的典型问题,其中包括计算行程,满足一定的目标,以及计算调度策略,执行同步机动与其他车辆。我们提出了一系列以学习为基础的指南,以帮助不同的行程规划者。我们表明,这些算法允许显着提高性能的最佳规划。此外,在近似规划的情况下,我们表明,不仅运行时间减少,发现的行程的质量也变得几乎总是更好。最后,为了综合执行同步机动的策略,我们提出了一种新型的调度可控性和学习辅助算法。所提出的框架实现了显着的改进,在这种可控性类型的性能的国家的最先进的作品在相关的可控性类型的已知基准。此外,它能够找到复杂的调度问题,以前的作品没有这样做的策略。
2021-08-02 cs.AI cs.LG cs.RO
Toward Efficient Task Planning for Dual-Arm Tabletop Object Rearrangement
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
研究了两个机器人手臂的协调问题,以解决非单调桌面多目标重排任务。在非单调重排任务中,存在复杂的对象-对象依赖关系,需要多次移动某些对象来解决实例。在大型工作空间中使用双臂工作时,必须在机器人之间传递一些物体,这进一步使规划过程复杂化。对于具有挑战性的双臂桌面重排问题,我们开发了有效的任务规划算法,用于调度可以在两个手臂之间适当分布的拾取-N-放置序列。我们表明,即使不使用一个复杂的运动规划,我们的方法相比,贪婪的方法和天真的单机器人计划的并行化实现了显着的时间节省。
2022-07-17 cs.AI cs.RO
Combining Large Language Models and Symbolic Reasoning for Multi-Robot Temporal Planning through Explainable Knowledge Bases
University of Trento(特伦托大学)
本研究提出PLANTOR框架,结合LLM与符号推理,通过可解释知识库实现多机器人时序规划,在基准场景及多臂装配场景验证,可减少手动建模但需人工修正,主张混合工作流。
2026-08-03 cs.AI cs.HC cs.RO
Graph Learning-based Fleet Scheduling for Urban Air Mobility under Operational Constraints, Varying Demand & Uncertainties
University at Buffalo(布法罗大学)
本文提出一种图强化学习方法用于城市空中交通机队的在线调度,通过图胶囊卷积网络、Transformer层和多头注意力解码器构建策略架构,在多变需求与不确定性约束下,相比基线和遗传算法实现更高利润且执行速度大幅提升。
2024-01-09 cs.AI cs.LG cs.MA
A Novel Multi-Agent Scheduling Mechanism for Adaptation of Production Plans in Case of Supply Chain Disruptions
Huawei Technologies Co. Ltd.(华为技术有限公司);City University of Applied Sciences Bremen(不来梅城市应用科学大学);Actoron GmbH(Actoron有限公司);Brandenburg University of Applied Sciences(勃兰登堡应用科学大学)
制造公司通常使用复杂的生产计划系统来优化生产步骤,通常提供接近最佳的解决方案。作为交付接近最优进度的缺点,规划系统具有高计算需求,导致数小时的计算。在正常情况下,如果在执行时间表之前有足够的缓冲时间(例如,第二天的晚上),则这不是问题。但是,如果出现意外中断,如部件交付延迟或制造的货物有缺陷,计划进度可能会失效,需要迅速重新计划。这种立即重新规划是不适合现有的最佳规划,由于计算的要求。本文提出了一种新的解决方案,可以有效地和高效地执行重新规划的情况下,不同类型的中断使用现有的计划。该方法基于尽可能遵守现有时间表的想法,并根据有限的本地变化进行调整。为此,设计了一种基于代理的调度机制,其中代理代表材料和生产地点,并使用本地优化技术和谈判来生成适应的(足够的,但非最佳的)时间表。该方法已被评估使用华为的实际生产数据,显示出有效的时间表,在短时间内产生。该系统已作为概念验证实施,目前正在重新实施并转移到基于Jadex代理平台的生产系统。
2022-06-23 cs.AI cs.MA math.OC
Learning NP-Hard Multi-Agent Assignment Planning using GNN: Inference on a Random Graph and Provable Auction-Fitted Q-learning
Texas A&M University(德克萨斯农工大学);Kakao Brain;KAIST(韩国科学技术院);Central Michigan University(中央密歇根大学)
本文针对NP难多智能体任务分配规划问题,提出基于随机概率图模型平均场推理与阶次可迁移拍卖Q学习的强化学习方法,实现至少1-1/e最优性,并在MRRC等调度问题中验证了近最优性与可迁移性。
2023-08-14 cs.AI cs.LG cs.MA