論文の概要: RESCHED: Rethinking Flexible Job Shop Scheduling from a Transformer-based Architecture with Simplified States

• arxiv url: http://arxiv.org/abs/2603.07020v1
• Date: Sat, 07 Mar 2026 03:36:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.687958
• Title: RESCHED: Rethinking Flexible Job Shop Scheduling from a Transformer-based Architecture with Simplified States
• Title（参考訳）: RESCHED: シンプルな状態を持つトランスフォーマーベースのアーキテクチャからフレキシブルなジョブショップスケジューリングを再考する
• Authors: Xiangjie Xiao, Cong Zhang, Wen Song, Zhiguang Cao,
• Abstract要約: textscReSchedは、スケジューリングの定式化とモデル設計の両方を再考する最小限のDRLフレームワークである。 textscReSchedは、FJSP上の古典的なディスパッチルールと最先端のDRLメソッドより優れています。 textscReSchedはジョブショップスケジューリング問題 (JSSP) やフレキシブルフローショップスケジューリング問題 (FFSP) とよく似ている。
• 参考スコア（独自算出の注目度）: 41.001192089105736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural approaches to the Flexible Job Shop Scheduling Problem (FJSP), particularly those based on deep reinforcement learning (DRL), have gained growing attention in recent years. However, existing methods rely on complex feature-engineered state representations (i.e., often requiring more than 20 handcrafted features) and graph-biased neural architectures. To reduce modeling complexity and advance a more generalizable framework for FJSP, we introduce \textsc{ReSched}, a minimalist DRL framework that rethinks both the scheduling formulation and model design. First, by revisiting the Markov Decision Process (MDP) formulation of FJSP, we condense the state space to just four essential features, eliminating historical dependencies through a subproblem-based perspective. Second, we employ Transformer blocks with dot-product attention, augmented by three lightweight but effective architectural modifications tailored to scheduling tasks. Extensive experiments show that \textsc{ReSched} outperforms classical dispatching rules and state-of-the-art DRL methods on FJSP. Moreover, \textsc{ReSched} also generalizes well to the Job Shop Scheduling Problem (JSSP) and the Flexible Flow Shop Scheduling Problem (FFSP), achieving competitive performance against neural baselines specifically designed for these variants.
• 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)に対するニューラルアプローチ、特に深層強化学習(DRL)に基づくアプローチは近年注目を集めている。 しかし、既存の手法は複雑な特徴工学的状態表現(しばしば20以上の手作り特徴を必要とする)とグラフバイアスニューラルアーキテクチャに依存している。 モデリングの複雑さを減らし、FJSPのより一般化可能なフレームワークを推し進めるために、スケジューリングの定式化とモデル設計の両方を再考する最小限のDRLフレームワークである \textsc{ReSched} を導入する。 まず、FJSPのマルコフ決定プロセス(MDP)の定式化を再考することにより、状態空間を4つの重要な特徴に凝縮し、サブプロブレムに基づく視点による歴史的依存関係を排除します。 第2に、スケジューリングタスクに適した3つの軽量かつ効果的なアーキテクチャ修正によって強化された、ドット積注目のトランスフォーマーブロックを用いる。 大規模な実験により、textsc{ReSched} は FJSP 上の古典的なディスパッチルールや最先端の DRL メソッドよりも優れていた。 さらに、 \textsc{ReSched} はジョブショップスケジューリング問題 (JSSP) とフレキシブルフローショップスケジューリング問題 (FFSP) をうまく一般化し、これらの変種用に特別に設計された神経ベースラインと競合する性能を達成する。

関連論文リスト

• Learning Memory-Enhanced Improvement Heuristics for Flexible Job Shop Scheduling [39.98859285173431]
  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)は、現実の運用シナリオと複雑で強い整合性のため、大きな注目を集めている。 現在の深部強化学習(DRL)に基づくFJSPのアプローチは主に建設的手法を採用している。 本稿では,異種グラフ表現を用いたメモリ拡張改善検索フレームワーク-MIStarを提案する。
  論文  参考訳（メタデータ） (2026-03-03T10:43:01Z)
• 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)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• 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)

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。