[論文レビュー] Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods

Robbert Reijnen, Smit, Igor G.+4 more|arXiv (Cornell University)|Aug 24, 2023

Distributed and Parallel Computing SystemsComputer Science被引用数 3

ひとこと要約

本論文は、FJSP、FJSP-SDST、FAJSP、およびオンライン到着を含む複数のバリエーションをサポートする、オープンソースのベンチマークリポジトリを紹介する。標準化された環境、多様な問題インスタンス、およびデリバリー規則や負荷分散ヒューリスティクスから遺伝的アルゴリズム、DRLベースのFJSP-DRLモデルに至るまで、統合されたソリューション手法を提供し、学習手法および非学習手法の両方の再現可能な評価と開発を可能にする。

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.

研究の動機と目的

• 多様なジョブショップスケジューリング問題のバリエーションに対する、中央集権的で標準化されたベンチマークの不足に対処すること。
• 静的およびオンラインスケジューリングをサポートする統一されたシミュレーション環境を提供し、設定可能なジョブ到着分布を備えること。
• 学習手法および非学習手法の両方の比較と再現可能性を可能にすること。
• 複数のソリューション手法のオープンソース実装を提供することで、研究者および実務家を支援すること。
• ソリューション手法および問題バリエーションの拡張を可能にするモジュラーで拡張可能なフレームワークを提供することで、コミュニティの貢献を促進すること。

提案手法

• 5つのコアクラス（Job、Operation、Machine、JobShop（中央スケジューラ）、SimulationEnv（オンラインジョブ到着用））で構築されたモジュラーなシミュレーション環境。
• 複数の問題インスタンスフォーマットの標準化されたパーサーを実装し、異なるバリエーション間でJobShop環境の初期化を一貫性を持って行えるようにすること。
• FJSP用に機械割り当てルール（SPT、EET）を備えたデリバリー規則（FIFO、MOR、LOR、MWR、LWR）の実装。
• グローバルおよびローカル選択戦略を用いた負荷分散ヒューリスティクスにより、マシン間での処理時間を分散すること。
• （F）JSPに特化した交差および変異演算子を備えた遺伝的アルゴリズムの再実装。
• 非均質的グラフニューラルネットワークとポリシー学習を用い、作業のスケジューリングとマシン選択を実行するDRLベースのFJSP-DRLの統合。

実験結果

リサーチクエスチョン

• RQ1 オンライン到着や複雑な制約を含む多様なジョブショップスケジューリング問題のバリエーションをサポートする、統一的でオープンソースのベンチマーク環境をどのように設計できるか？
• RQ2 標準的なデリバリー規則および負荷分散ヒューリスティクスは、制約が異なる複数のFJSPバリエーションにどの程度一般化可能か？
• RQ3 非均質的グラフニューラルネットワークを用いたDRLベースのアプローチは、古典的ヒューリスティクスと比較して、フレキシブルジョブショップスケジューリング問題の解決にどの程度有効か？
• RQ4 モジュラーで拡張可能なフレームワークは、異なる研究コミュニティにおけるスケジューリングソリューション手法の再現性および比較可能性をどのように向上させるか？
• RQ5 既存のソリューション手法は、JSPバリエーションのスケール全体においてどの程度カバーされており、どこにギャップが存在するか？

主な発見

• リポジトリは6つの異なるジョブショップスケジューリングバリエーション（JSP、FSP、FJSP、FJSP-SDST、FAJSP、および動的ジョブ到着を伴うオンラインFJSP）をサポートしている。
• デリバリー規則および負荷分散ヒューリスティクスは、すべてのFJSPバリエーションで有効であり、負荷分散はSDSTおよびアセンブリ制約を含む広範な適用性を示している。
• 遺伝的アルゴリズムの実装は、すべてのFJSPバリエーション（シーケンス依存セットアップ時間およびアセンブリ制約を含む）を解ける。
• FJSP-DRLモデルはFJSP専用に設計されており、現在はSDST、FAJSP、およびオンライン到着をサポートしていないため、深層強化学習のサポートにギャップが存在することが示された。
• 標準化された環境とインスタンスフォーマットを通じて、ソリューション手法の再現可能な評価が可能となり、研究の透明性と比較可能性が向上した。