.png){kind=icon}
返回
A-PPO-Based Scheduling Optimization for Phase-Oriented Complex-Product Manufacturing Workshops
.png){kind=icon}
OA
AI
DOI：10.3390/pr14142318.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂产品制造车间具有多样化的工艺路线、异构机器能力、加工与装配之间的紧密耦合以及严格的父子配套约束等特征。这些特征使得固定优先级规则难以协调工单释放、机器竞争和装配等待。为解决连接前端加工与后端固定位置装配的生产过程调度问题，本研究提出了一种基于注意力的近端策略优化方法。首先，将制造过程建模为一个包含前端混合流水车间加工阶段和后端固定位置装配阶段的分阶段模型，该模型捕捉了工序优先级、机器异构性、阶段转换和配套约束。其次，通过定义状态空间、动作空间和动态动作掩码，建立强化学习调度框架，将工序序列、机器适用性、资源占用和装配释放约束纳入序贯决策中。此外，设计了一种结合局部工序注意力与机器竞争注意力的A-PPO策略，用于选择可行的工单-设备单元匹配动作。工业工程案例表明，A-PPO实现3823.7的完工时间，优于六种固定优先级规则（规则2-规则7）和遗传算法（GA）基准。GA的完工时间为3875.3，而最佳基于规则的方案为3986.4。与GA相比，A-PPO将完工时间缩短1.33%；与规则6和规则7相比，分别缩短4.08%；与六种规则的平均值相比，缩短18.95%。结果表明，所提方法缩短了订单完成周期，支持复杂产品制造车间的智能调度。该方法目前适用于具有结构化工艺路线、设备能力和父子装配约束的阶段导向复杂产品制造车间；其跨布局和跨企业的可迁移性需要进一步验证。
Keyword:
complex-product manufacturing
phase-oriented modeling
workshop scheduling
attention mechanism
proximal policy optimization
期刊
IF:
2.8
论文数:
7.3K
被引数:
3.7W
机构
引用论文
Deep reinforcement learning for dynamic flexible job shop scheduling problem considering variable processing times考虑加工时间变化的动态柔性作业车间调度问题的深度强化学习
PREAI
分享收藏Deep reinforcement learning for job shop scheduling problems: A comprehensive literature review作业车间调度问题的深度强化学习：一项全面的文献综述
PREAI
分享收藏分享收藏
Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning基于深度强化学习的新作业插入柔性作业车间动态调度
PREAI
分享收藏Mathematical model and knowledge-based iterated greedy algorithm for distributed assembly hybrid flow shop scheduling problem with dual-resource constraints双资源约束分布式装配混合流水车间调度问题的数学模型和基于知识的迭代贪心算法
PREAI
分享收藏Hybrid Flow-Shop Scheduling Problems with Missing and Re-Entrant Operations Considering Process Scheduling and Production of Energy Consumption.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容