Intelligent approach for distributed flexible job-shop scheduling with deep reinforcement learning and quality-diversity optimization
在智能制造领域, 自动导引车与机器的集成调度对完工时间与能源消耗具有重大影响. 然而, 现有调度方法难以高效协调 AGV 运输与作业执行, 尤其在分布式柔性作业车间调度场景下, 该问题尤为突出. 为此, 本文提出一种深度强化学习增强的质量多样性优化算法, 以充分利用运输与机器的行为特征, 生成高质量且多样化的帕累托解集. 首先, 针对自动导引车(Automated Guided Vehicle，AGV) 运输特性, 设计知识辅助的协作启发式策略, 以优化作业、机器和工厂的调度, 提升解的整体质量. 其次, 针对搜索算子利用率低的问题, 提出基于深度强化学习的智能选择机制, 以克服随机选择的局限性, 提高搜索效率与优化质量. 仿真实验表明, 所提算法在完工时间与能耗优化方面均显著优于现有方法, 验证了其有效性.
Authors
- Yuyan Han (ORCID: https://orcid.org/0000-0001-8963-5421)
- Yi Xiang (ORCID: https://orcid.org/0000-0003-2118-4825)
- Haoxiang Qin (ORCID: https://orcid.org/0000-0002-7373-9055)
- Qingda Chen (ORCID: https://orcid.org/0000-0003-4465-8958)
- Yuting Wang (ORCID: https://orcid.org/0000-0002-4046-6775)
- Ping Zhou (ORCID: https://orcid.org/0000-0002-2963-4459)
Publication Details
- Journal
- Scientia Sinica Informationis
- Published
- 2025-07-30
- DOI
- https://doi.org/10.1360/ssi-2025-0113
- Citations
- 2
- Primary Topic
- Scheduling and Optimization Algorithms
- Type
- article
- Field-Weighted Citation Impact
- 2.48