論文の概要: Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods
- arxiv url: http://arxiv.org/abs/2308.12794v2
- Date: Mon, 17 Mar 2025 10:18:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:34:45.917163
- Title: Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods
- Title（参考訳）: ジョブショップスケジューリングベンチマーク:学習と非学習のための環境と事例
- Authors: Robbert Reijnen, Igor G. Smit, Hongxiang Zhang, Yaoxin Wu, Zaharah Bukhsh, Yingqian Zhang,
- Abstract要約: ジョブショップスケジューリング問題は、ジョブショップ設定におけるタスクのルーティングとシークエンシングに対処する。
本稿では,ジョブショップスケジューリング問題の統一実装とその解法について紹介する。
私たちのプラットフォームは、古典的なジョブショップ(JSP)、フローショップ(FSP)、フレキシブルジョブショップ(FJSP)、アセンブリジョブショップ(AJSP)をサポートしています。
- 参考スコア（独自算出の注目度）: 5.41519828413362
- License:
- Abstract: Job shop scheduling problems address the routing and sequencing of tasks in a job shop setting. Despite significant interest from operations research and machine learning communities over the years, a comprehensive platform for testing and comparing solution methods has been notably lacking. To fill this gap, we introduce a unified implementation of job shop scheduling problems and their solution methods, addressing the long-standing need for a standardized benchmarking platform in this domain. Our platform supports classic Job Shop (JSP), Flow Shop (FSP), Flexible Job Shop (FJSP), and Assembly Job Shop (AJSP), as well as variants featuring Sequence-Dependent Setup Times (SDST), variants with online arrivals of jobs, and combinations of these problems (e.g., FJSP-SDST and FAJSP). The platfrom provides a wide range of scheduling solution methods, from heuristics, metaheuristics, and exact optimization to deep reinforcement learning. The implementation is available as an open-source GitHub repository, serving as a collaborative hub for researchers, practitioners, and those new to the field. Beyond enabling direct comparisons with existing methods on widely studied benchmark problems, this resource serves as a robust starting point for addressing constrained and complex problem variants. By establishing a comprehensive and unified foundation, this platform is designed to consolidate existing knowledge and to inspire the development of next-generation algorithms in job shop scheduling research.
- Abstract（参考訳）: ジョブショップスケジューリング問題は、ジョブショップ設定におけるタスクのルーティングとシークエンシングに対処する。
長年にわたり、オペレーション研究と機械学習コミュニティに大きな関心が寄せられてきたが、ソリューション手法のテストと比較のための包括的なプラットフォームは、顕著に欠落している。
このギャップを埋めるために、我々は、この領域における標準化されたベンチマークプラットフォームの必要性に対処するため、ジョブショップスケジューリング問題とその解決方法の統一的な実装を導入しました。
私たちのプラットフォームは、古典的なジョブショップ(JSP)、フローショップ(FSP)、フレキシブルジョブショップ(FJSP)、アセンブリジョブショップ(AJSP)をサポートします。
プラトラスは、ヒューリスティックス、メタヒューリスティックス、そして正確な最適化から深層強化学習まで、幅広いスケジューリングソリューション方法を提供している。
実装はオープンソースGitHubリポジトリとして利用可能で、研究者、実践者、この分野に新たに参加した人たちのための共同ハブとして機能する。
広く研究されているベンチマーク問題において、既存の手法と直接比較できるだけでなく、このリソースは制約のある複雑な問題に対処するための堅牢な出発点として機能する。
このプラットフォームは、包括的かつ統一的な基盤を確立することにより、既存の知識の統合と、求人スケジューリング研究における次世代アルゴリズムの開発を促すように設計されている。
関連論文リスト
- Learning to Solve Job Shop Scheduling under Uncertainty [1.3002317221601185]
ジョブショップスケジューリング問題(JSSP、Job-Shop Scheduling Problem)は、タスクをマシン上でスケジュールする必要がある最適化問題である。
本稿では,Dreep Reinforcement Learning (DRL) 技術を利用してロバストなソリューションを探索する手法を提案する。
論文 参考訳（メタデータ） (2024-03-04T08:38:55Z) - Residual Scheduling: A New Reinforcement Learning Approach to Solving
Job Shop Scheduling Problem [8.398387430247201]
ジョブショップスケジューリング問題(Job-shop scheduling problem、JSP)は、製造業などで広く使われている数学最適化問題である。
本稿では,FJSPの解法に対する残差スケジューリングという新しい手法を提案する。
20台のマシンで150以上のジョブ数を持つ50のインスタンスで49のギャップに到達しています。
論文 参考訳（メタデータ） (2023-09-27T09:33:56Z) - Flexible Job Shop Scheduling via Dual Attention Network Based
Reinforcement Learning [73.19312285906891]
フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。
近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。
本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T01:35:48Z) - Two-Stage Learning For the Flexible Job Shop Scheduling Problem [18.06058556156014]
本稿では,フレキシブルジョブショップスケジューリング問題に対して,ディープラーニングフレームワークを用いて高速かつ正確な近似を生成する可能性について検討する。
本稿では,FJSP決定の階層的性質を明示的にモデル化する2段階学習フレームワークを提案する。
その結果、2SL-FJSPはミリ秒で高品質なソリューションを生成でき、最先端の強化学習手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-01-23T20:23:35Z) - Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。
本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。
本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
論文 参考訳（メタデータ） (2022-11-24T06:17:40Z) - POGEMA: Partially Observable Grid Environment for Multiple Agents [64.88759709443819]
POGEMAは、部分的に観測可能なマルチエージェントパスフィンディング(PO-MAPF)問題に挑戦するためのサンドボックスである。
様々なPO-MAPFに合わせることができ、プランニングと学習のための優れた試験場として機能する。
論文 参考訳（メタデータ） (2022-06-22T09:39:50Z) - Fast Approximations for Job Shop Scheduling: A Lagrangian Dual Deep
Learning Method [44.4747903763245]
ジョブショップスケジューリング問題(Jobs shop Scheduling Problem、JSP)は、様々な産業目的のために日常的に解決される標準最適化問題である。
問題はNPハードであり、中規模のインスタンスでも計算が困難である。
本稿では,問題に対する効率的かつ正確な近似を提供するためのディープラーニングアプローチについて検討する。
論文 参考訳（メタデータ） (2021-10-12T21:15:19Z) - Solving the Extended Job Shop Scheduling Problem with AGVs -- Classical
and Quantum Approaches [0.0]
本稿では、ジョブショップスケジューリング問題(JSSP)であるJSOのサブアスペクトを扱うユースケースを提供する。
ユースケースの目標は、柔軟な組織化された機械で、特定のプロジェクトのために最適化されたデューティルースターを作成する方法を示すことである。
CPとアナリングモデルに基づく古典解の結果を提示し、議論する。
論文 参考訳（メタデータ） (2021-09-10T12:28:51Z) - SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D
Semantic Segmentation [65.96170587706148]
3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。
グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
論文 参考訳（メタデータ） (2020-12-29T20:16:37Z) - TAFSSL: Task-Adaptive Feature Sub-Space Learning for few-shot
classification [50.358839666165764]
本稿では,タスク適応機能サブスペース学習(TAFSSL)により,Few-Shot Learningシナリオの性能を大幅に向上させることができることを示す。
具体的には、挑戦的な miniImageNet と tieredImageNet ベンチマークにおいて、TAFSSL はトランスダクティブおよび半教師付き FSL 設定の両方で現在の状態を改善することができることを示しています。
論文 参考訳（メタデータ） (2020-03-14T16:59:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。