Crystal graph convolutional neural network-based reinforcement learning for adaptive shipyard block transportation scheduling

doi:10.1016/j.engappai.2026.114959

Crystal graph convolutional neural network-based reinforcement learning for adaptive shipyard block transportation scheduling

2026-04-28

0

PRE

AI

DOI：10.1016/j.engappai.2026.114959

原文链接

原文求助

摘要

En 中文

船体分段作为船舶建造中的基本装配单元，因其尺寸和重量巨大而需要专用运输设备。优化这些运输设备的调度对于确保按时生产和提高造船厂物流运营效率至关重要。因此，本研究提出了一种调度方法，旨在最小化分段运输延误和空载行驶时间。尽管以往研究主要关注使用元启发式算法进行运输调度，但本研究引入了一种可扩展且动态的调度算法，该算法采用强化学习与晶体图卷积神经网络（CGCNN）相结合的方式。CGCNN用于编码边属性图以进行状态表示，有效捕捉每个位置的重要性。所提出的算法在多种问题分布下表现出稳定且优于现有优先规则和元启发式算法的性能，展示了其泛化能力。最后，通过使用实际造船厂运输数据的仿真验证了该算法，确认了其实际效率和适用性。

Keyword:

block transportation

shipyard logistics

reinforcement learning

crystal graph convolutional neural network

scheduling optimization

Crystal graph convolutional neural network-based reinforcement learning for adaptive shipyard block transportation scheduling

摘要

期刊

机构

引用论文