Graph Neural Networks for Job Shop Scheduling Problems: A Survey

这篇论文旨在全面回顾目前应用图神经网络（GNN）解决作业车间调度问题（JSSP）的相关文献，特别是那些利用深度强化学习（DRL）的方法。近年来，GNN在解决JSSP等组合优化问题方面得到了广泛应用，但缺乏系统的调查。我们首先介绍了各种JSSP的图表示，然后介绍了最常用的GNN体系结构。接下来，我们回顾了当前针对每种问题类型的GNN方法，重点介绍了图表示、GNN体系结构、GNN任务和训练算法等关键技术要素。最后，我们总结和分析了GNN在解决JSSP中的优点和局限性，并提供了潜在的未来研究机会。我们希望这项调查能激发创新思路，为解决JSSP等调度问题提供更强大的基于GNN的方法。

本论文旨在系统地回顾图神经网络（GNN）在解决作业车间调度问题（JSSPs）和流水车间调度问题（FSPs）中的应用，特别是采用深度强化学习（DRL）的方法。

本论文介绍了各种JSSPs的图表示，并介绍了最常用的GNN体系结构。然后，我们回顾了当前每种问题类型的基于GNN的方法，重点介绍了关键技术要素，如图表示，GNN体系结构，GNN任务和训练算法。

本论文总结并分析了GNN在解决JSSPs和其他调度问题中的优点和局限性，并提供了潜在的未来研究机会。实验使用了多个数据集，并提供了开源代码。

最近的相关研究包括：1）“Graph Convolutional Networks for Combinatorial Optimization: A Review”；2）“Solving Job-Shop Scheduling Problems by Reinforcement Learning with A Combination of Global and Local State Information”；3）“A Hybrid Genetic Algorithm with Reinforcement Learning for Job Shop Scheduling Problem”。