.png){kind=icon}
返回
Reinforcement learning-guided two-stage optimization framework for multi-product batch scheduling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compchemeng.2025.109399.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着高端精密制造需求的日益增长，多产品批处理调度已成为流程工业的关键环节。其固有的复杂性源于混合决策变量和紧密耦合的约束条件。为应对这些挑战，本研究提出了一种整合强化学习（RL）与数学规划（MP）的两阶段优化框架。RL层确定批分配与生产序列，并将结果作为时间窗口传递给MP层，以优化连续变量确保可行性。为处理混合动作空间，引入了一种映射机制以统一离散与连续决策。此外，基于重构约束的动态短期目标被设计出来，以应对长期目标导致的奖励稀疏性问题。在聚烯烃生产调度实验中证明，所提方法在经济效益、生产稳定性及计算性能方面均优于MP和独立的RL方法。
Keyword:
Multi-product batch
Production scheduling
Reinforcement learning
Mathematical programming
Two-stage optimization
期刊
C
IF:
3.9
论文数:
8.1K
被引数:
1.7W
机构
引用论文
Mixed-Integer Models for Nonseparable Piecewise-Linear Optimization: Unifying Framework and Extensions不可分分段线性优化的混合整数模型: 统一框架和扩展
PREAI
分享收藏
分享收藏Wang, X., Han, D., Lin, Y., Du, W., 2018. Recent progress and challenges in process optimization: Review of recent work at ecust. Can. J. Chem. Eng. , 2115–2123.https://doi.org/10.1002/cjce.23250.王, X., 韩, D., 林, Y., 杜, W., 2018. 过程优化的最新进展与挑战：ECUST近期工作的综述. 加拿大化学工程杂志, 2115–2123.https://doi.org/10.1002/cjce.23250..png)
IF0
PREAI
分享收藏
查看更多内容