PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling

📄 arXiv: 2608.03041v1 📥 PDF

作者: Dhivya Dharshini Kannan, Wei Zhang, Jieyi Bi, Yingpeng Du, Tianjun Wei, Jie Zhang, Zuming Liu, Anupam Trivedi

分类: cs.LG, cs.AI

发布日期: 2026-08-04

💡 一句话要点

提出PLAN以解决灵活作业车间调度中的效率问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 灵活作业调度 深度强化学习 液态神经网络 表示学习 计算效率 调度优化 智能制造

📋 核心要点

  1. 现有的深度强化学习方法在灵活作业车间调度中面临参数过多和推理延迟高的问题，限制了其在大规模问题中的应用。
  2. 本文提出的PLAN框架通过将液态状态动态离散化并并行化，解决了计算效率与模型灵活性之间的权衡。
  3. 实验结果显示，PLAN在多个FJSP基准测试中平均完工时间降低了1.2%-2.3%，推理延迟减少了13.2%-69.2%，且参数使用量显著降低。

📝 摘要（中文）

深度强化学习（DRL）方法在灵活作业车间调度（FJSP）中依赖于以注意力为中心的架构以实现最先进的性能。然而，随着问题规模的扩大，这些模型面临着参数过多和推理延迟过高的挑战。液态神经网络（LNNs）提供了一种参数高效的替代方案，但其固有的顺序动态限制了计算效率。为了解决这一权衡，本文提出了PLAN（并行液态启发近似网络），一个轻量级的表示学习框架，将连续液态状态动态重新构造成离散化和可并行化的形式。PLAN在结构上将状态演变与上下文聚合解耦，液态启发更新处理主要的演变状态表示，而轻量级上下文聚合模块提供补充的全局上下文。实验表明，PLAN在多个基准测试中显著降低了平均完工时间和推理延迟，同时使用的参数仅为基线的22%-47%。

🔬 方法详解

问题定义：本文旨在解决灵活作业车间调度中的效率问题，现有的深度强化学习方法由于参数过多和推理延迟高，难以适应大规模问题的需求。

核心思路：PLAN框架通过将液态神经网络的状态动态重新构造成离散化和可并行化的形式，进而提高计算效率，同时保持模型的灵活性。

技术框架：PLAN的整体架构包括两个主要模块：液态启发更新模块负责状态的演变，而轻量级上下文聚合模块则提供全局上下文信息。这种结构化设计使得状态演变与上下文聚合相互独立。

关键创新：PLAN的核心创新在于将液态状态动态的连续模型转化为离散并行模型，显著提高了计算效率，克服了液态神经网络的顺序动态限制。

关键设计：在参数设置上，PLAN使用的参数量仅为基线的22%-47%。损失函数和网络结构经过精心设计，以确保在不同FJSP变体中均能有效工作。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PLAN在确定性、随机性和多面动态FJSP基准测试中，平均完工时间分别降低了1.2%、1.4%和2.3%。在某些基准设置中，性能提升达到10.2%。同时，推理延迟平均减少了13.2%-31.7%，在最大实例上可达69.2%的减少。

🎯 应用场景

该研究的潜在应用领域包括制造业、物流调度和智能工厂等，能够在复杂的调度任务中提供高效的解决方案。PLAN的灵活性和高效性使其在实际应用中具有重要价值，未来可能推动相关领域的智能化进程。

📄 摘要（原文）

Deep reinforcement learning (DRL) approaches for flexible job shop scheduling (FJSP) heavily rely on attention-centric architectures to achieve state-of-the-art performance. However, these models suffer from excessive parameter counts and prohibitive inference latency as problem scales expand. While liquid neural networks (LNNs) offer a parameter-efficient alternative for modeling adaptive state evolution, their inherently sequential dynamics bottleneck computational efficiency. To resolve this trade-off, we propose PLAN (Parallel Liquid-inspired Approximation Network), a lightweight representation learning framework that reformulates continuous liquid-state dynamics into a discretized and parallelizable formulation. PLAN structurally decouples state evolution from context aggregation, where liquid-inspired updates handle the primary evolving state representation, and a lightweight context aggregation module provides complementary global context. Furthermore, PLAN acts as a versatile, plug-and-play backbone that generalizes to complex FJSP variants, pairing with a compact stochastic module for stochastic FJSP and replacing heavy heterogeneous graph transformers in multi-faceted dynamic FJSP. Extensive evaluations across deterministic, stochastic, and multi-faceted dynamic FJSP benchmarks show that PLAN reduces the average makespan by 1.2%, 1.4%, and 2.3%, respectively, compared with the corresponding state-of-the-art baselines, with the improvement reaching 10.2% in one benchmark setting. PLAN also reduces average inference latency by 13.2%, 31.7%, and 26.9%, respectively, with a maximum reduction of 69.2% on the largest instances, while using only 22$-$47% of the baseline parameters.