SAPO-RL：基于强化学习的机身装配序列作动器布局优化

复合材料机身的精确装配对于满足飞机装配的超高精度要求至关重要。由于尺寸偏差，两段机身装配时会产生间隙。在实践中，需要通过作动器在机身边缘特定点施加推拉力来调整机身尺寸。这些作动器的定位和力设置显著影响形状调整的效率。现有文献通常预定固定数量的作动器，这在整体质量和相应作动器成本方面并非最优。然而，由于柔性结构、复杂的材料特性以及输入机身的尺寸变异性，在位置和数量上优化作动器布局具有挑战性。为了应对这些挑战，本文引入了一种强化学习 (RL) 框架，能够实现作动器布局选择和最优力计算的序列决策。具体而言，我们的方法采用 Dueling Double Deep Q-Learning (D3QN) 算法来提升序列作动器布局的决策能力。该环境经过精心设计，能够基于系统状态对作动器进行序列和增量选择。我们将作动器选择问题表述为次模函数优化问题，其中次模性质可用于高效地获得近似最优解。所提出的方法已通过数值研究和对比研究进行了全面评估，证明了其在使用有限数量作动器提升装配精度方面的有效性和卓越性能。