[論文レビュー] Variational Approach for Job Shop Scheduling

Seung Heon Oh, Jiwon Baek+3 more|arXiv (Cornell University)|Jan 30, 2026

Scheduling and Optimization Algorithms被引用数 0

ひとこと要約

この論文は、表現学習と方策最適化を変分推論と最大エントロピー強化学習を用いて切り離すVariational Graph-to-SchedulerフレームワークVG2Sを紹介し、JSSPに対して強力なゼロショット一般化を実現します。

ABSTRACT

This paper proposes a novel Variational Graph-to-Scheduler (VG2S) framework for solving the Job Shop Scheduling Problem (JSSP), a critical task in manufacturing that directly impacts operational efficiency and resource utilization. Conventional Deep Reinforcement Learning (DRL) approaches often face challenges such as non-stationarity during training and limited generalization to unseen problem instances because they optimize representation learning and policy execution simultaneously. To address these issues, we introduce variational inference to the JSSP domain for the first time and derive a probabilistic objective based on the Evidence of Lower Bound (ELBO) with maximum entropy reinforcement learning. By mathematically decoupling representation learning from policy optimization, the VG2S framework enables the agent to learn robust structural representations of scheduling instances through a variational graph encoder. This approach significantly enhances training stability and robustness against hyperparameter variations. Extensive experiments demonstrate that the proposed method exhibits superior zero-shot generalization compared with state-of-the-art DRL baselines and traditional dispatching rules, particularly on large-scale and challenging benchmark instances such as DMU and SWV.

研究の動機と目的

• エンドツーエンドDRLによるJSSPの不安定性と一般化の乏しさを動機付け、対処する。
• 表現学習を方策最適化からデカップリングする変分フレームワークを提案する。
• 変分グラフエンコーダとシーケンスベースのポリシーデコーダを備えるVG2Sを開発する。
• DMUやSWVのような大規模なJSSPベンチマークでのゼロショット一般化の改善を実証する。

提案手法

• JSSPを離散和グラフとして定式化し、作業の静的・動的特徴を定義する。
• ELBOを再構成項とポリシー項で学習する潜在表現を得る変分グラフエンコーダを導入する。
• 変分表現学習を先行させた後、最大エントロピー目的でポリシー学習を行う2段階の訓練プロセスを採用する。
• 異種エッジタイプと潜在空間zの変分を用いたグラフニューラルネットワークベースのエンコーダを実装する。
• グラフからシーケンスへと変換するポリシーデコーダを採用し、グリンプスアテンション機構で scheduling actionを選択する。
• ノードとエッジの再構成損失、潜在空間のKLダイバージェンス、エントロピー正則化を含むポリシー勾配目的で訓練する。

実験結果

リサーチクエスチョン

• RQ1 変分推論はJSSPにおける表現学習のロバスト性をエンドツーエンドDRLと比べて改善できるか。
• RQ2 表現学習を方策最適化から切り離すことは訓練の安定性と未知インスタンスへの一般化を高めるか。
• RQ3 VG2Sはゼロショット一般化を伴う大規模・難易度の高いJSSPベンチマークでどの程度機能するか。
• RQ4 変分潜在空間がインスタンスのトポロジーのクラスタリングとスケジューリング性能に与える影響は何か。

主な発見

• VG2Sは大規模なベンチマークで最新のDRLベースラインや従来のディスパッチ規則よりも優れたゼロショット一般化を達成する。
• 変分エンコーダはポリシー訓練前でもインスタンスをトポロジーでクラスタリングする潜在空間を生み出す。
• 表現学習を方策最適化から切り離すことで訓練の安定性とハイパーパラメータ変動に対する頑健性が向上する。
• この手法はELBOと最大エントロピーRLを活用して、インスタンスの変動性とスケジューリングの潜在的確率性を扱う。