輸送リソースを伴うジョブショップ・スケジューリングにおける、ジョイント学習とモジュール学習の協調ギャップに関する分析

arXiv cs.AI / 2026/4/28

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、ジョブとAGV（自動誘導車）スケジューリングのエージェントを同時に学習する「ジョイント学習」が必要となる条件を、独立に学習して事後統合する「モジュール学習」と比較しながら検討している。
リソース不足度合いと時間的優位性に対する感度分析を通じて、2つの学習方式の性能差を表す「協調ギャップ（coordination gap）」を定量化している。
評価の結果、ジョイント学習は、ディスパッチングルールとモジュール学習の最良の組み合わせよりも優れた性能を出し得ることが示され、緊密な協調の有効性が示唆される。
一方で、輸送および加工の制約が厳しい状況を中心に、ボトルネック環境では協調ギャップによる優位性が縮小し、モジュール学習が代替として成立し得ることが示される。
環境条件に応じて適切な学習モダリティを選ぶための実務的な指針を提供し、強化学習ベースのスケジューリング性能を最大化することを狙っている。