本论文介绍了一个基于 OPC UA 的运营技术意识强化学习体系结构，扩展了标准的 RL 设置，将其与数字孪生的设置相结合，与此同时，定义了一个 OPC UA 信息模型，允许进行通用的即插即用式交换 RL agent。通过解决玩具示例，本文演示和评估了体系结构，证明了该结构可用于使用真实控制系统确定最优策略。

Jun, 2023

通过与基于传统工程方法的专业工业集成器的比较，研究表明基于深度强化学习的工业装配方法不仅可以超越已有的工业装配方法，还能超越人类运动系统，并且数据说明还有巨大的优化空间。

Mar, 2021

本文提出了一个利用强化学习框架来优化传送带速度以最小化对系统其他部分的干扰，并使生产力、控制平滑和减少计算时间等方面有了显著提高的智能制造自动化解决方案。

Mar, 2023

本研究利用强化学习算法在给定对象的装配问题中实现了 Q-Learning 算法，通过学习与环境的交互来推荐装配序列解决方案，并通过三个场景的探索来评估强化学习代理的性能，实现了优化装配过程时间并在 98.3% 的时间内得出最佳的装配序列解决方案。

Apr, 2023

本文针对制造业生产中派工问题，运用强化学习提出了一种新的设计方法，将车间状态表示为 2D 矩阵，设计了适用于派工目的的延迟和超时奖励函数，并采用调度策略转移方法增强模型泛化能力和节省模型训练和数据收集时间。实验结果显示该方法在总折扣奖励和平均延迟、超时方面表现最佳。

Oct, 2019

本文研究了在离散事件模拟环境下，使用基于 Deep-Q 的深度强化学习代理来解决模块化生产设施中的作业车间调度问题。研究发现，相比于传统启发式和成本表等方法，基于 DRL 的代理相当，并且具有更高的噪声稳健性，对于这种类型的调度问题值得尝试。

May, 2022

以制造业的最新趋势为背景，研究了自主机器人装配的问题。提出一种利用几何运动规划作为先验知识来引导强化学习的方法，以实现高精度的装配任务。同时，还提出了一种能够学习运动规划并将控制器推广到物体位置变化的神经网络架构。

Mar, 2018

本文介绍了一种基于多个技能先验的强化学习方法，通过学习每个任务所需技能的先验分布，并将任务的相似性与先前的任务进行比较，以指导在新任务上学习策略，从而更好地推广到训练中从未遇到的新任务。

Sep, 2022

本文提出了一种基于强化学习的库存管理系统，主要解决现实供应链环境下的计算需求和奖励框架等问题，并通过 GPU 并行化环境和状态动态规划等创新来优化大型零售商供应链需要。该系统实现了区别于基础库存策略的控制策略，并给出了未来研究方向的讨论。

Apr, 2023

该论文探讨了将模块化 RL 方法应用于 Mujoban 任务的可行性，并证明了模块化 RL 方法比仅有一个单一 RL 代理的方法更加优越。

Oct, 2020