Buchumschlag

An efficient deep reinforcement learning environment for flexible job-shop scheduling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Xinquan, Yan, Xuefeng, Wei, Mingqiang, Guan, Donghai
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Solving the flexible job-shop scheduling problem through an enhanced deep reinforcement learning approach
von: Echeverria, Imanol, et al.
Veröffentlicht: (2023)

Offline reinforcement learning for job-shop scheduling problems
von: Echeverria, Imanol, et al.
Veröffentlicht: (2024)

Deep progressive reinforcement learning-based flexible resource scheduling framework for IRS and UAV-assisted MEC system
von: Dong, Li, et al.
Veröffentlicht: (2024)

Deep reinforcement learning for irrigation scheduling using high-dimensional sensor feedback
von: Saikai, Yuji, et al.
Veröffentlicht: (2023)

Adaptive traffic signal safety and efficiency improvement by multi objective deep reinforcement learning approach
von: Mirbakhsh, Shahin, et al.
Veröffentlicht: (2024)

Delayed homomorphic reinforcement learning for environments with delayed feedback
von: Lee, Jongsoo, et al.
Veröffentlicht: (2026)

An approach of deep reinforcement learning for maximizing the net present value of stochastic projects
von: Xu, Wei, et al.
Veröffentlicht: (2025)

Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction
von: Tonti, Federica, et al.
Veröffentlicht: (2026)

Economic span selection of bridge based on deep reinforcement learning
von: Zhang, Leye, et al.
Veröffentlicht: (2024)

Not all tokens are needed(NAT): token efficient reinforcement learning
von: Sang, Hejian, et al.
Veröffentlicht: (2026)

On the consistency of hyper-parameter selection in value-based deep reinforcement learning
von: Obando-Ceron, Johan, et al.
Veröffentlicht: (2024)

Deep reinforcement learning for machine scheduling: Methodology, the state-of-the-art, and future directions
von: Khadivi, Maziyar, et al.
Veröffentlicht: (2023)

Designing an efficient and equitable humanitarian supply chain dynamically via reinforcement learning
von: Jin, Weijia
Veröffentlicht: (2025)

Causal prompting model-based offline reinforcement learning
von: Yu, Xuehui, et al.
Veröffentlicht: (2024)

Active management of battery degradation in wireless sensor network using deep reinforcement learning for group battery replacement
von: Jeong, Jong-Hyun, et al.
Veröffentlicht: (2025)

Designing a double deep reinforcement learning selection tool for resilient demand prediction
von: Benziane, Bilel Abderrahmane, et al.
Veröffentlicht: (2026)

In value-based deep reinforcement learning, a pruned network is a good network
von: Obando-Ceron, Johan, et al.
Veröffentlicht: (2024)

Application of linear regression and quasi-Newton methods to the deep reinforcement learning in continuous action cases
von: Komatsu, Hisato
Veröffentlicht: (2025)

HyperbolicLR: Epoch insensitive learning rate scheduler
von: Kim, Tae-Geun
Veröffentlicht: (2024)

FlexMS is a flexible framework for benchmarking deep learning-based mass spectrum prediction tools in metabolomics
von: Zhong, Yunhua, et al.
Veröffentlicht: (2026)

Scilab-RL: A software framework for efficient reinforcement learning and cognitive modeling research
von: Dohmen, Jan, et al.
Veröffentlicht: (2024)

A modular framework for automated evaluation of procedural content generation in serious games with deep reinforcement learning agents
von: Kalafatis, Eleftherios, et al.
Veröffentlicht: (2025)

Normalization and effective learning rates in reinforcement learning
von: Lyle, Clare, et al.
Veröffentlicht: (2024)

Dynamic feature selection in medical predictive monitoring by reinforcement learning
von: Chen, Yutong, et al.
Veröffentlicht: (2024)

Learning optimal treatment strategies for intraoperative hypotension using deep reinforcement learning
von: Adiyeke, Esra, et al.
Veröffentlicht: (2025)

Optimization of geological carbon storage operations with multimodal latent dynamic model and deep reinforcement learning
von: Wang, Zhongzheng, et al.
Veröffentlicht: (2024)

Exploring the impact of traffic signal control and connected and automated vehicles on intersections safety: A deep reinforcement learning approach
von: Karbasi, Amir Hossein, et al.
Veröffentlicht: (2024)

Efficient Deep Learning Board: Training Feedback Is Not All You Need
von: Gong, Lina, et al.
Veröffentlicht: (2024)

Curriculum reinforcement learning with measurable task representation learning
von: Wen, Yongyan, et al.
Veröffentlicht: (2026)

Ensemble Elastic DQN: A novel multi-step ensemble approach to address overestimation in deep value-based reinforcement learning
von: Ly, Adrian, et al.
Veröffentlicht: (2025)

Memorization in deep learning: A survey
von: Wei, Jiaheng, et al.
Veröffentlicht: (2024)

A transformer-based deep reinforcement learning approach to spatial navigation in a partially observable Morris Water Maze
von: Eggen, Marte, et al.
Veröffentlicht: (2024)

Counterfactual experience augmented off-policy reinforcement learning
von: Lee, Sunbowen, et al.
Veröffentlicht: (2025)

Bellman operator convergence enhancements in reinforcement learning algorithms
von: Kadurha, David Krame, et al.
Veröffentlicht: (2025)

Deep reinforcement learning with time-scale invariant memory
von: Kabir, Md Rysul, et al.
Veröffentlicht: (2024)

Estimating unknown parameters in differential equations with a reinforcement learning based PSO method
von: Sun, Wenkui, et al.
Veröffentlicht: (2024)

Decomposing MXFP4 quantization error for LLM reinforcement learning: reducible bias, recoverable deadzone, and an irreducible floor
von: Li, Xiaocan, et al.
Veröffentlicht: (2026)

Leveraging weights signals -- Predicting and improving generalizability in reinforcement learning
von: Moulin, Olivier, et al.
Veröffentlicht: (2025)

Do deep neural networks utilize the weight space efficiently?
von: Koyun, Onur Can, et al.
Veröffentlicht: (2024)

Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis
von: Li, Hao, et al.
Veröffentlicht: (2026)