受限缓冲区和材料包装约束下的灵活车间调度问题
人工智能
2026-03-02 v1
摘要
灵活车间调度问题（Flexible Job Shop Scheduling, FJSP）源于实际生产线，但当前 FJSP 研究中常忽视或理想化一些实际约束，其中受限缓冲区问题对生产效率影响尤为突出。为此，我们研究了一个更贴近实际情景的扩展问题——受限缓冲区和材料包装约束下的灵活车间调度问题。在近年里，深度强化学习（DRL）在调度任务中展现出巨大的潜力。然而，其在处理复杂依赖关系和长期约束时，状态建模能力仍有限。为此，我们在 DRL 框架内引入异构图网络来建模全局状态。通过在机器、操作和缓冲区之间构建高效信息传递，网络聚焦于避免在长序列调度中可能导致频繁托盘变更的决策，从而有助于提高缓冲区利用率和整体决策质量。实验结果表明，在 synthetic 数据集和真实生产线数据集上，我们提出的方法在制造时间和托盘变更方面均优于传统启发式方法和先进的 DRL 方法，同时在解答质量和计算成本之间取得良好平衡。此外，还提供了一段补充视频，展示了一个有效可视化生产线进程的仿真系统。
引用
@article{arxiv.2602.24180,
title = {Learning Flexible Job Shop Scheduling under Limited Buffers and Material Kitting Constraints},
author = {Shishun Zhang and Juzhan Xu and Yidan Fan and Chenyang Zhu and Ruizhen Hu and Yongjun Wang and Kai Xu},
journal= {arXiv preprint arXiv:2602.24180},
year = {2026}
}
备注
8 pages, 8 figures, conference