Permutation-Invariant and Equivariant Multiagent Reinforcement Learning for Flexible Manufacturing in Industrial IoT
Notice bibliographique
Résumé
With the advent of Industrial Internet-of-things (IIoT), flexible manufacturing has gained increasing attention. Continuous changes in market demand, real-time data collection and device interconnectivity have made the production process more dynamic and unpredictable, rendering traditional manufacturing scheduling methods inadequate in addressing these changes. This issue can be framed as a Dynamic Flexible Job Shop Scheduling Problem (DFJSP), which seeks to accommodate ever-evolving production scenarios and requirements by making real-time modifications and optimizing resource allocation. Traditional scheduling algorithms designed for static, single-environment scenarios are increasingly inadequate for handling the growing complexity of production environments. In this context, there is a pressing need for efficient and real-time scheduling algorithms. We propose a Multi-Agent Reinforcement Learning (MARL) algorithm to solve DFJSP, where each device is associated with a corresponding agent, allowing the algorithm to scale flexibly. The complexity and dynamics of scheduling problems introduce additional challenges and complexities in state representation and decision-making. We propose two solutions to alleviate this problem. First, we employ a Heterogeneous Graph Neural Network (HGNN) to capture the relational dependencies between tasks and extract state features. Through multiple feature updates, each agent is enabled to make decisions based on global information. Furthermore, leveraging the inherent Permutation Invariance (PI) and Permutation Equivariance (PE) features of tasks in the waiting queue, we apply hypernetwork techniques to address the issue of dimensionality explosion caused by the excessive state space in scheduling environments. Experiments conducted under various scenario settings demonstrate that our scheduling method can significantly reduce task latency and improve resource utilization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».