Metaheuristics for the Online Printing Shop Scheduling Problem
University of Luxembourg（卢森堡大学）；University of São Paulo（圣保罗大学）
在这项工作中，在线印刷车间调度问题（Lunardi等人，混合线性规划和约束规划模型的在线印刷车间调度问题，计算机与运筹学，出现）。这个具有挑战性的实际调度问题，出现在当今的印刷业，对应于一个灵活的作业车间调度问题与排序的灵活性，它提出了几个复杂的特性，如可重复的操作，不可用的机器，顺序依赖的设置时间，部分重叠的操作之间的优先约束，和固定的操作，等等。一个本地的搜索策略和元启发式方法的问题，提出和评价。基于一个共同的表示方案，轨迹和人口metabolistics。大量的数值实验表明，所提出的方法是适合解决实际问题的情况下，他们优于半启发式半精确现成的解决方案在很大程度上。柔性作业车间调度问题的经典实例的数值实验表明，所介绍的方法也有竞争力时，适用于这种特殊的情况。
2022-02-20 cs.AI
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
Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods
Eindhoven University of Technology（埃因霍温理工大学）；Southwest Jiaotong University（西南交通大学）
本文提出统一的作业车间调度开源基准平台，覆盖 JSP、FSP、FJSP、AJSP 及多种复杂变体，并集成启发式、精确优化与深度强化学习方法，支持公平比较与后续算法研究。
2025-03-17 cs.AI cs.LG
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
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
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
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
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
Improvements for multi-objective flow shop scheduling by Pareto Iterated Local Search
Helmut Schmidt University — University of the Federal Armed Forces Hamburg（赫尔穆特·施密特大学——汉堡联邦国防军大学）
介绍了一种求解多目标优化问题的局部搜索元启发式算法的提出和应用。它是基于两个主要原则的启发式搜索，通过可变的邻域，通过扰动和连续迭代的搜索空间的有利区域的多样化的集约化。这个概念在多目标下的置换流水车间调度问题上得到了成功的验证，并与其他局部搜索方法进行了比较。虽然所取得的成果在质量方面令人鼓舞，但该方法的另一个积极特点是它的简单性，因为它只需要设定很少的参数。
2009-07-17 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
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
Scheduling a Dynamic Aircraft Repair Shop with Limited Repair Resources
University of Toronto（多伦多大学）
我们解决一个动态的维修车间调度问题的背景下，军用飞机机队管理的目标是保持一个完整的补充飞机在长期内。已经安排了一些长期飞行，每一次飞行都需要特定数量和类型的飞机。我们需要在考虑航班需求、维修能力和飞机故障的同时，为航班分配飞机并安排维修活动。待修飞机的数量随着时间的推移而动态变化，因此有必要在线重建维修计划。为了解决这个问题，我们认为，在较短的时间内连续的静态维修调度子问题的动态修理厂。提出了一种基于逻辑的Benders分解的完整方法来求解静态子问题，并设计了不同的重调度策略来调度动态修理车间。计算实验表明，Benders模型能够找到并证明最优解，平均比混合整数规划模型快四倍。与仅具有其中一个方面的方法相比，具有在较长时间范围内调度和快速调整时间表这两个方面的重新调度方法在长期内增加了10%的可用飞机。
2014-02-04 cs.AI
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
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
Offline reinforcement learning for job-shop scheduling problems
TECNALIA（泰克纳利亚技术中心）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country（巴斯克大学）
本文提出一种新型离线强化学习方法，通过异构图表示状态、边属性编码动作并平衡奖励与专家模仿，有效解决了具有复杂约束的作业车间调度问题，性能优于现有技术。
2025-04-05 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
Curriculum Learning in Job Shop Scheduling using Reinforcement Learning
Wuppertal（伍珀塔尔）；Chair for Technologies and Management of Digital Transformation（数字转型技术与管理主席席位）
针对作业车间调度问题难度可变性，提出基于深度强化学习与图神经网络嵌入的课程学习策略，通过新难度度量排序训练实例，使平均完工时间缩短3.2%。
2023-05-17 cs.AI
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
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
Proactive Algorithms for Job Shop Scheduling with Probabilistic Durations
University of Toronto（多伦多大学）；University College Cork（科克大学学院）
大多数经典的调度公式假设每个活动的持续时间是固定的和已知的。在本文中，我们削弱了这一假设，而是要求每个持续时间可以表示为一个独立的随机变量与已知的均值和方差。最好的解决方案是那些有很高的概率达到一个好的完工时间。我们首先创建一个理论框架，正式显示如何蒙特卡罗模拟可以结合确定性调度算法来解决这个问题。我们提出了一个相关的确定性调度问题，其解决方案被证明，在一定条件下，是一个下界的概率问题。然后，我们提出并研究了一些技术，用于解决这些问题的基础上的Monte Carlo模拟的组合，相关的确定性问题的解决方案，无论是约束编程或禁忌搜索。我们的实证结果表明，使用相关的确定性问题和蒙特卡罗模拟结果的算法，规模最好的问题的大小和不确定性的组合。进一步的实验指出，确定性解决方案的质量和概率解决方案的质量之间的相关性是成功的主要因素。
2011-10-12 cs.AI
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
Learning to generalize Dispatching rules on the Job Shop Scheduling
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文介绍了一种强化学习方法，以更好地推广启发式调度规则的作业车间调度问题（JSP）。当前的JSP模型并不关注泛化，尽管正如我们在这项工作中所展示的那样，这是学习更好地解决问题的关键。一种众所周知的提高泛化能力的技术是使用课程学习（CL）在越来越复杂的实例上学习。然而，正如许多文献中所指出的那样，当在不同的问题大小之间转移所学到的技能时，这种技术可能会遭受灾难性遗忘。为了解决这个问题，我们引入了一种新的对抗性课程学习（ACL）策略，该策略在学习过程中动态调整难度水平，以重新访问表现最差的实例。本文还提出了一个深度学习模型来解决JSP问题，该模型与传统的JSP模型是等变的。作业定义和大小不可知。在Taillard和Demirkol的实例上进行的实验表明，所提出的方法显着改善了JSP上当前最先进的模型。在Taillard和Demirkol两个实例上，最优性差距分别从19.35%和38.43%减小到10.46%和18.85%.我们的实现可在线获得。
2022-11-15 cs.AI cs.LG
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
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
Effective and interpretable dispatching rules for dynamic job shops via guided empirical learning
INESC TEC（INESC TEC（葡萄牙系统与计算机工程研究所））；Faculdade de Engenharia, Universidade do Porto（波尔图大学工程学院）
工业4.0的出现使生产系统更加灵活，也更加动态。在这些设置中，调度通常需要通过调度规则实时调整。虽然直到90年代才取得了实质性的进展，但这些规则的执行仍然相当有限。机器学习文献正在开发各种方法来改进它们，但由此产生的规则很难解释，并且不能很好地概括各种设置。本文是将机器学习与领域问题推理相结合进行调度的第一次主要尝试。这个想法包括使用后者获得的见解来指导前者的实证研究。我们的假设是，这种指导的经验学习过程应该导致调度规则是有效的和可解释的，以及概括到不同的实例类。我们测试我们的方法在经典的动态车间调度问题最小化拖期，这是最好的研究调度问题之一。尽管如此，结果表明，我们的方法能够找到新的最先进的规则，显着优于现有的文献在绝大多数情况下，从宽松到紧张的到期日，从低利用率的条件拥挤的商店。总体而言，平均改善率为19%。此外，这些规则是紧凑的，可解释的，并且可以很好地推广到极端的，看不见的场景。
2021-09-07 cs.AI cs.LG
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
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
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
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
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
Decomposition Strategies and Multi-shot ASP Solving for Job-shop Scheduling
Cairo University（开罗大学）；University of Klagenfurt（克雷格福特大学）
本文研究了将作业车间调度问题分解为时间窗，通过多轮 ASP 求解逐步调度优化，结合重叠与压缩技术，在严格时间限制内比单轮优化获得显著更好的调度质量。
2025-08-05 cs.AI cs.LO
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
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
Instance Configuration for Sustainable Job Shop Scheduling
Universitat Politècnica de València（巴塞罗那理工大学）；valgrAI - Valencian Graduate School and Research Network of Artificial Intelligence（瓦伦西亚人工智能研究生学院和研究网络）；Research Network of Artificial Intelligence（人工智能研究网络）
本文提出了一种实例配置器，用于生成500个作业车间调度问题的测试实例，以优化性能指标和能耗，促进节能调度算法的研究与评估。
2024-09-12 cs.AI cs.DC math.OC
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
Online Operator Design in Evolutionary Optimization for Flexible Job Shop Scheduling via Large Language Models
School of Computer Science, Guangdong University of Technology（广东工业大学计算机科学学院）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
本文通过大语言模型实现进化优化中的在线运算符设计，提升EAs的效率和适应性。
2026-01-22 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
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
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
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
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
Onsite Job Scheduling by Adaptive Genetic Algorithm
针对多车场VRP变体现场作业调度中技能、时段及SLA约束下的路线与加班优化问题，提出自适应遗传算法，为大量作业和技术人员求得满足约束的优化调度方案。
2023-06-04 cs.AI cs.NE math.OC
Policy-Based Deep Reinforcement Learning Hyperheuristics for Job-Shop Scheduling Problems
South Westphalia University of Applied Sciences（西南菲利斯大学应用科学学院）
本文提出基于策略的深度强化学习超启发式方法，通过动作预过滤和承诺机制优化作业车间调度，实验表明其优于传统方法和神经网络调度方法。
2026-01-16 cs.AI
