[论文解读] 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 3

一句话总结

本文提出一个用于作业车间调度问题的开源基准库仓库，支持多种变体，包括FJSP、FJSP-SDST、FAJSP以及在线到达情形。该仓库提供标准化的仿真环境、多样化的实例数据，以及集成的求解方法——涵盖从派工规则和负载均衡启发式算法，到遗传算法和基于深度强化学习的FJSP-DRL模型——支持对学习型与非学习型调度方法的可复现评估与开发。

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.

研究动机与目标

• 为解决多样化的作业车间调度问题变体缺乏集中化、标准化基准的问题。
• 提供统一的仿真环境，支持静态调度与在线调度，并可配置作业到达分布。
• 实现对学习型与非学习型调度方法的公平比较与可复现性评估。
• 通过提供多种求解技术的开源实现，支持研究人员与实践者使用。
• 通过提供模块化、可扩展的框架，促进社区对求解方法与问题变体的持续贡献。

提出的方法

• 基于五个核心类构建的模块化仿真环境：Job、Operation、Machine、JobShop（中央调度器）和SimulationEnv（用于在线作业到达）。
• 支持多种实例格式的标准化解析器，确保在不同变体间一致初始化JobShop环境。
• 实现派工规则（FIFO、MOR、LOR、MWR、LWR）与机器分配规则（SPT、EET），适用于FJSP。
• 采用全局与局部选择策略的负载均衡启发式算法，以均衡分配各机器的处理时间。
• 重新实现一种遗传算法，采用针对（F）JSP问题定制的交叉与变异算子。
• 集成FJSP-DRL模型，一种基于异质图神经网络与策略学习的深度强化学习方法，用于调度作业与选择机器。

实验结果

研究问题

• RQ1 如何设计一个统一的开源基准环境，以支持包括在线到达与复杂约束在内的多样化作业车间调度问题变体？
• RQ2 标准派工规则与负载均衡启发式算法在具有不同约束的各类FJSP变体中，其泛化能力如何？
• RQ3 与经典启发式方法相比，基于异质图神经网络的DRL方法在求解柔性作业车间调度问题方面的有效性如何？
• RQ4 模块化、可扩展的框架在多研究社区中是否能提升调度求解方法的可复现性与可比性？
• RQ5 现有求解方法在JSP各类变体中的覆盖范围如何？在哪些方面仍存在支持空白？

主要发现

• 该仓库支持六种不同的作业车间调度变体：JSP、FSP、FJSP、FJSP-SDST、FAJSP，以及具有动态作业到达的在线FJSP。
• 派工规则与负载均衡启发式算法在所有FJSP变体中均表现有效，其中负载均衡方法在SDST与装配约束情形中展现出更广的适用性。
• 遗传算法实现能够求解所有FJSP变体，包括具有顺序依赖设置时间与装配约束的情形。
• FJSP-DRL模型专为FJSP设计，目前不支持SDST、FAJSP或在线到达情形，表明当前深度强化学习在这些场景下的支持仍存在空白。
• 该基准通过标准化环境与实例格式，支持求解方法的可复现评估，显著提升了研究透明度与可比性。