PLAN: 효율적인 유연 공정 스케줄링을 위한 병렬 액체 영감 기반 근사 네트워크

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

유연 공정 스케줄링(FJSP) 문제에 대한 심층 강화 학습(DRL) 접근 방식은 최첨단 성능을 달성하기 위해 주로 어텐션 메커니즘을 중심으로 하는 구조에 의존합니다. 그러나 이러한 모델들은 문제 규모가 확장됨에 따라 과도한 파라미터 수와 용납할 수 없는 추론 지연 시간을 겪습니다. 액체 신경망(LNN)은 적응적인 상태 변화를 모델링하는 데 있어 파라미터 효율적인 대안을 제공하지만, 본질적으로 순차적인 특성으로 인해 계산 효율성이 저하됩니다. 이러한 균형 문제를 해결하기 위해, 우리는 PLAN (Parallel Liquid-inspired Approximation Network), 즉 병렬 액체 영감 기반 근사 네트워크라는 경량화된 표현 학습 프레임워크를 제안합니다. PLAN은 연속적인 액체 상태 역학을 이산화하고 병렬화 가능한 형태로 재구성하며, 구조적으로 상태 변화와 컨텍스트 집계를 분리합니다. 액체 영감 기반 업데이트는 주요 진화하는 상태 표현을 처리하고, 경량화된 컨텍스트 집계 모듈은 보완적인 전역 컨텍스트를 제공합니다. 또한 PLAN은 다양한 FJSP 변형에 적용 가능한 다재다능한 백본 구조이며, 확률적 FJSP의 경우 간결한 확률 모델과 결합되고, 복잡하고 동적인 FJSP의 경우 기존의 무거운 이종 그래프 트랜스포머를 대체할 수 있습니다. 결정론적, 확률적 및 다면적 동적 FJSP 벤치마크에 대한 광범위한 평가 결과, PLAN은 해당 최첨단 모델과 비교하여 평균 완료 시간을 각각 1.2%, 1.4% 및 2.3% 줄였으며, 특정 벤치마크 설정에서는 최대 10.2%의 성능 향상을 보였습니다. 또한 PLAN은 평균 추론 지연 시간을 각각 13.2%, 31.7% 및 26.9% 줄였으며, 가장 큰 규모의 경우 최대 69.2%까지 감소시켰습니다. 동시에 기존 모델에 비해 파라미터 사용량은 22~47% 수준입니다.

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.