job-shop scheduling
PulseAugur coverage of job-shop scheduling — every cluster mentioning job-shop scheduling across labs, papers, and developer communities, ranked by signal.
-
新的贝叶斯方法优化不确定性下的间歇式生产过程调度
研究人员开发了一种新颖的贝叶斯动态调度方法,以应对多用途间歇式生产过程中的挑战。这种新方法利用贝叶斯网络学习干扰的概率分布,例如在动态制造环境中常见的处理延迟和需求变化。通过在观察到新的干扰时更新后验分布,该方法比传统的周期性重新调度更能有效地指导重新调度策略。对基准问题的比较分析表明,贝叶斯动态调度方法在降低长期成本和减少系统波动方面取得了优越的性能。
-
黑板智能在复杂AI问题上优于自回归模型
一篇新研究论文介绍了一种新颖的AI推理方法——“黑板智能”,该方法在固定画布上修改候选解决方案,而不是遵循从左到右的轨迹。这种方法以扩散语言模型为实例,利用平均置信度作为全局连贯性的代理来指导搜索和修改。在实践中,黑板智能在ZebraLogic、护士排班和作业车间调度等复杂的基于约束的问题上表现出优越的性能,甚至优于更大的自回归模型。
-
新的SSLD方法通过SDP预处理增强了图着色启发式算法
研究人员开发了一种名为SSLD(半定谱学习与DSATUR)的新方法,该方法增强了NP难图着色问题的DSATUR启发式算法。SSLD通过识别高质量的初始颜色类别来预处理图,使用半定规划,类似于计算Lovász theta数的方法。在DSATUR完成着色之前应用此预处理步骤,已证明在包括DIMACS、随机图和调度问题在内的各种基准实例中,其性能与DSATUR和朴素基线相当或更优。虽然SSLD比DSATUR慢得多,但它展示了SDP引导的预处…
-
AI研究分析作业车间调度训练方法的协调差距
一篇新论文分析了带运输资源的作业车间调度中,多智能体强化学习的联合训练与模块化训练之间的权衡。该研究量化了这些方法之间的“协调差距”,发现联合训练的性能优于模块化方法。然而,在瓶颈环境中,联合训练的优势会减弱,这表明在某个调度任务占主导地位时,模块化训练是一个可行的替代方案。