Mamba beschleunigt Flexible Job Shop Scheduling: Effizientes Sequenzmodell

Ein neues arXiv-Preprint (2602.21546v1) präsentiert eine bahnbrechende Architektur, die das Flexible Job Shop Scheduling (FJSP) mithilfe des Mamba‑Modells – einem state‑space‑basierten Ansatz mit linearer Rechenkomplexität – effizienter löst. Durch die Kombination von Sequenzmodellierung und linearer Skalierbarkeit eröffnet die Methode einen vielversprechenden Weg, komplexe Produktionsplanungsaufgaben schneller zu bearbeiten.

FJSP ist ein klassisches kombinatorisches Optimierungsproblem, bei dem Jobs auf verschiedene Maschinen verteilt werden, um Kennzahlen wie die Gesamtdurchlaufzeit zu minimieren. Traditionelle lernbasierte Ansätze nutzen häufig lokal fokussierte Feature‑Extraction‑Modelle, die jedoch Schwierigkeiten haben, übergreifende Abhängigkeiten zwischen Operationen und Maschinen zu erfassen. Diese Einschränkung führt zu suboptimalen Lösungen, besonders bei großen Problemgrößen.

Die vorgestellte Architektur besteht aus einem Encoder und einem Decoder. Der Encoder nutzt zwei Mamba‑Blöcke, die Operationen und Maschinen separat extrahieren, während der Decoder ein effizientes Cross‑Attention‑Modul einsetzt, um interaktive Embeddings zwischen beiden Domänen zu lernen. Im Gegensatz zu graph‑attention‑basierten Frameworks, die bei FJSP oft hohe Rechenkosten verursachen, bleibt die Komplexität linear, was die Skalierbarkeit deutlich verbessert.

Experimentelle Ergebnisse zeigen, dass das Mamba‑basierte Modell nicht nur schneller arbeitet, sondern auch die Leistung von führenden lernbasierten Methoden übertrifft. Auf einer Vielzahl von Benchmarks konnte die Lösungsgeschwindigkeit erhöht und die Qualität der Planungen verbessert werden, was die Methode als zukunftsweisende Alternative für die flexible Produktionsplanung positioniert.