面向可扩展智能制造的学习型灵活车间调度
系统与控制
2024-02-15 v1 人工智能
机器学习
系统与控制
摘要
在智能制造系统（SMS）中，考虑到基于自动导驶车（AGV）的生产灵活性，灵活车间调度带交通约束（FJSPT）是优化解决方案、最大化生产效率的关键。最近的深度强化学习（DRL）方法在 FJSPT 上的研究面临规模泛化挑战。这些方法在规模不同于训练集的环境中表现不佳，导致解决方案质量较低。为此，我们引入了一种新型基于图的 DRL 方法，称为异构图调度器（HGS）。该方法利用从操作、机器和车辆节点中提取的局部关系知识进行调度，构建具有图结构的决策框架，降低编码复杂度并提升规模泛化能力。我们的性能评估基于基准数据集，结果表明，该方法在制造产能、在未曾经验过的大规模实例上，均优于传统分派规则、元启发式方法以及现有 DRL 方法。
引用
@article{arxiv.2402.08979,
title = {Learning-enabled Flexible Job-shop Scheduling for Scalable Smart Manufacturing},
author = {Sihoon Moon and Sanghoon Lee and Kyung-Joon Park},
journal= {arXiv preprint arXiv:2402.08979},
year = {2024}
}