[논문 리뷰] Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods

Robbert Reijnen, Smit, Igor G.외 4명|arXiv (Cornell University)|2023. 08. 24.

Distributed and Parallel Computing SystemsComputer Science인용 수 3

한 줄 요약

이 논문은 FJSP, FJSP-SDST, FAJSP 및 온라인 도착을 포함한 다양한 변형을 지원하는 작업장 스케줄링 문제를 위한 오픈소스 벤치마크 레포지터리를 소개한다. 표준화된 환경, 다양한 문제 인스턴스, 그리고 디스patching 룰, 로드 밸런싱 휴리스틱, 유전 알고리즘, DRL 기반 FJSP-DRL 모델을 포함한 통합된 해결 방법을 제공함으로써, 학습 기반 및 비학습 기반 스케줄링 접근법의 재현 가능 평가 및 개발을 가능하게 한다.

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.

연구 동기 및 목표

• 다양한 작업장 스케줄링 문제 변형을 위한 중앙집중식이고 표준화된 벤치마크의 부족을 해결하기 위해.
• 고정 및 온라인 스케줄링을 지원하는 통합 시뮬레이션 환경을 제공하여 구성 가능한 작업 도착 분포를 지원하기 위해.
• 학습 기반 및 비학습 기반 스케줄링 방법 간의 공정한 비교와 재현 가능성을 보장하기 위해.
• 다양한 해결 기법의 오픈소스 구현을 제공하여 연구자 및 실무자들이 지원받을 수 있도록 하기 위해.
• 솔루션 방법 및 문제 변형을 확장할 수 있는 모듈러하고 확장 가능한 프레임워크를 제공함으로써 커뮤니티 기여를 촉진하기 위해.

제안 방법

• 다섯 가지 핵심 클래스인 Job, Operation, Machine, JobShop(중앙 스케줄러), SimulationEnv(온라인 작업 도착용)로 구성된 모듈러 시뮬레이션 환경.
• 다양한 문제 인스턴스 형식을 위한 표준화된 파서를 통해, 다양한 변형 간에 JobShop 환경을 일관되게 초기화할 수 있도록 한다.
• FJSP용 기계 할당 규칙(SPT, EET)을 포함한 디스패칭 룰(FIFO, MOR, LOR, MWR, LWR)의 구현.
• 전역 및 국소 선택 전략을 사용한 로드 밸런싱 휴리스틱을 통해 처리 시간을 기계 간에 균형 있게 분배한다.
• 문제 특화의 교차 및 변이 연산자를 갖춘 유전 알고리즘의 재구현으로 (F)JSP에 최적화되어 있다.
• 이질적 그래프 신경망과 정책 학습을 사용하여 작업을 스케줄링하고 기계를 선택하는 데 목적이 있는 DRL 기반의 FJSP-DRL 통합.

실험 결과

연구 질문

• RQ1 다양한 작업장 스케줄링 문제 변형, 온라인 도착 및 복잡한 제약 조건을 지원할 수 있는 통합된 오픈소스 벤치마크 환경을 어떻게 설계할 수 있는가?
• RQ2 표준 디스패칭 룰과 로드 밸런싱 휴리스틱은 제약 조건이 다른 다양한 FJSP 변형 간에 얼마나 일반화되는가?
• RQ3 이질적 그래프 신경망을 사용하는 DRL 기반 접근법은 고전적 휴리스틱에 비해 유연한 작업장 스케줄링 문제 해결에 얼마나 효과적인가?
• RQ4 모듈러하고 확장 가능한 프레임워크는 다양한 연구 커뮤니티 간의 스케줄링 솔루션 방법의 재현 가능성과 비교 가능성 향상에 기여하는가?
• RQ5 기존의 해결 방법들은 JSP 변형 스펙트럼 전반에서 얼마나 커버되어 있으며, 어디에 지원의 격차가 존재하는가?

주요 결과

• 레포지터리는 JSP, FSP, FJSP, FJSP-SDST, FAJSP 및 동적 작업 도착이 있는 온라인 FJSP를 포함해 총 6종의 별도의 작업장 스케줄링 변형을 지원한다.
• 디스패칭 룰과 로드 밸런싱 휴리스틱은 모든 FJSP 변형에서 효과적이며, 로드 밸런싱은 SDST 및 조립 제약 조건을 포함한 더 넓은 적용 범위를 보인다.
• 유전 알고리즘의 구현은 순서에 따라 설정 시간이 있는 경우와 조립 제약 조건이 있는 경우를 포함해 모든 FJSP 변형을 해결할 수 있다.
• FJSP-DRL 모델은 FJSP 전용으로 설계되어 있으며, 현재는 SDST, FAJSP 또는 온라인 도착을 지원하지 않아, 현재 DRL 기반 지원의 격차를 보여준다.
• 표준화된 환경과 인스턴스 형식을 통해 솔루션 방법의 재현 가능한 평가가 가능해져 연구의 투명성과 비교 가능성 향상에 기여한다.