基于联合学习与模块化学习之间协调缺口的车间调度问题分析

高性能制造中，带有运输资源的车间调度至关重要。随着“去中心化工厂”的兴起，多智能体强化学习已成为一种引人注目的生产与运输任务联合调度方法。先前的工作主要聚焦于开发新型合作架构，而忽略了联合训练何时是必需的这一问题。本研究系统性地探讨了在带有运输资源的车间调度问题中，联合训练对于获得最佳性能所必需的条件。通过对资源稀缺性和时间支配性的严格敏感性分析，我们量化了协调缺口——即两种训练模式之间的性能差异。在我们的评估中，联合训练能够产生优于最佳调度规则和模块化训练组合的最佳性能。然而，在瓶颈环境中，尤其是在严格的运输和加工约束下，协调缺口的优势会逐渐减弱。这些发现表明，在单一调度任务占主导的环境中，模块化训练是一种可行的替代方案。总体而言，本工作为基于环境条件选择训练模式提供了实用指导，使决策者能够优化基于强化学习的调度性能。