論文の概要: Learning Flexible Job Shop Scheduling under Limited Buffers and Material Kitting Constraints

• arxiv url: http://arxiv.org/abs/2602.24180v1
• Date: Fri, 27 Feb 2026 17:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.528656
• Title: Learning Flexible Job Shop Scheduling under Limited Buffers and Material Kitting Constraints
• Title（参考訳）: 限られたバッファと材料キット制約下での柔軟なジョブショップスケジューリングの学習
• Authors: Shishun Zhang, Juzhan Xu, Yidan Fan, Chenyang Zhu, Ruizhen Hu, Yongjun Wang, Kai Xu,
• Abstract要約: 本稿では,限定バッファとマテリアルキッティングを用いたフレキシブルジョブショップスケジューリング問題(フレキシブルジョブショップスケジューリング問題)について検討する。 マシン、オペレーション、バッファ間の効率的なメッセージパッシングを構築することで、長いシーケンススケジューリング中に頻繁にパレットの変更を引き起こす可能性のある決定を避けることに重点を置いている。
• 参考スコア（独自算出の注目度）: 24.581787827854985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Flexible Job Shop Scheduling Problem (FJSP) originates from real production lines, while some practical constraints are often ignored or idealized in current FJSP studies, among which the limited buffer problem has a particular impact on production efficiency. To this end, we study an extended problem that is closer to practical scenarios--the Flexible Job Shop Scheduling Problem with Limited Buffers and Material Kitting. In recent years, deep reinforcement learning (DRL) has demonstrated considerable potential in scheduling tasks. However, its capacity for state modeling remains limited when handling complex dependencies and long-term constraints. To address this, we leverage a heterogeneous graph network within the DRL framework to model the global state. By constructing efficient message passing among machines, operations, and buffers, the network focuses on avoiding decisions that may cause frequent pallet changes during long-sequence scheduling, thereby helping improve buffer utilization and overall decision quality. Experimental results on both synthetic and real production line datasets show that the proposed method outperforms traditional heuristics and advanced DRL methods in terms of makespan and pallet changes, and also achieves a good balance between solution quality and computational cost. Furthermore, a supplementary video is provided to showcase a simulation system that effectively visualizes the progression of the production line.
• Abstract（参考訳）: フレキシブルジョブショップスケジューリング問題(FJSP)は、実際の生産ラインに由来するが、いくつかの実用的な制約は、現在のFJSP研究では無視されるか、理想化されている。 そこで本研究では,限定バッファとマテリアルキッティングを用いたフレキシブルジョブショップスケジューリング問題(フレキシブルジョブショップスケジューリング問題)について検討する。 近年、深層強化学習 (DRL) はスケジューリングタスクにかなりの可能性を示している。 しかし、複雑な依存関係や長期的制約を扱う場合、状態モデリングの能力は依然として限られている。 これを解決するために、DRLフレームワーク内の異種グラフネットワークを活用し、グローバルな状態をモデル化する。 マシン、オペレーション、バッファ間の効率的なメッセージパッシングを構築することにより、長時間のスケジューリング中に頻繁なパレット変更を引き起こす可能性のある決定を避けることに集中し、バッファ利用と全体的な意思決定品質の向上を支援する。 合成ラインと実生産ラインのデータセットによる実験結果から,提案手法は従来のヒューリスティックス法と高度なDRL法を,メースパンとパレットの変化の観点から比較し,解の質と計算コストのバランスが良好であることが確認された。 さらに、生産ラインの進行を効果的に可視化するシミュレーションシステムを示すための補足映像を提供する。

関連論文リスト

• When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
  本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。 固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
  論文  参考訳（メタデータ） (2026-02-25T00:15:13Z)
• A Universal Load Balancing Principle and Its Application to Large Language Model Serving [12.668439908706604]
  大規模言語モデル推論だけでは、これは1日1ギガワットの電力消費を意味する。 我々は,非移行状態のバリア同期システムに対して,普遍的な負荷分散原理を開発する。 結果として生じる省エネは、艦隊規模で近代的なハードウェアの52%を超える可能性がある。
  論文  参考訳（メタデータ） (2026-01-25T14:27:46Z)
• R-ConstraintBench: Evaluating LLMs on NP-Complete Scheduling [0.0]
  R-ConstraintBenchは、資源制約計画スケジューリング問題(RCPSP)のモデルを評価するフレームワークである。 データセンターのマイグレーション設定でベンチマークをインスタンス化し、実行可能性とエラー分析を用いて複数のLCMを評価する。 実証的には、強いモデルは優先順位のみのDAGでほぼシーリングされるが、ダウンタイム、時間的ウィンドウ、および解離的制約が相互作用すると、実現可能性のパフォーマンスは低下する。
  論文  参考訳（メタデータ） (2025-08-21T03:35:58Z)
• Deep RL Dual Sourcing Inventory Management with Supply and Capacity Risk Awareness [4.583289433858458]
  介入モデルを利用して大規模最適化問題に強化学習(RL)を効率的に適用する方法を検討する。 我々は,サプライチェーン最適化におけるマルチソース多周期在庫管理問題である,現実世界の挑戦的アプリケーションに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2025-07-19T02:44:45Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints [0.0]
  実世界の運用環境は、従来のスケジューリングアプローチの効率を低下させる追加の複雑さを導入します。 強化学習(RL)は、エージェントが適応的なスケジューリング戦略を学習できるようにするため、これらの課題に対処する可能性を秘めている。 本稿では,従来のJSSPの定式化を,主要な実世界の制約を組み込むことで拡張するモジュラーフレームワークを提案する。 JobShopLabは、研究開発と産業アプリケーションの両方のためのオープンソースのツールだ。
  論文  参考訳（メタデータ） (2025-06-16T14:50:26Z)
• An Expectation-Maximization Algorithm-based Autoregressive Model for the Fuzzy Job Shop Scheduling Problem [12.862865254507177]
  ファジィジョブショップスケジューリング問題(FJSSP)は、ジョブショップスケジューリング問題(JSSP)の革新的な拡張として現れる。 本稿では,FJSSPの分解能に対してファジィ情報を同化処理するニューラルネットワークの実現可能性について検討する。
  論文  参考訳（メタデータ） (2025-01-11T10:20:16Z)
• Action-Quantized Offline Reinforcement Learning for Robotic Skill Learning [68.16998247593209]
  オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。 本稿では,アクション量子化のための適応型スキームを提案する。 IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T06:07:10Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• 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)
• Augmented Lagrangian Methods for Time-varying Constrained Online Convex Optimization [1.662966122370634]
  オンライン凸最適化(OCO)と時間的損失と制約関数について検討する。 まず,時間変動関数制約OCOのためのモデルベース拡張ラグランジアン法(MALM)のクラスを開発する。 提案アルゴリズムの効率性を示すために, 制約OCOのいくつかの例について数値計算を行った。
  論文  参考訳（メタデータ） (2022-05-19T14:03:25Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。