Sep, 2024

可扩展的多智能体强化学习用于工厂动态调度

HTML
PDF
TL;DR本研究解决了现代制造过程中实时动态调度任务的复杂性问题，通过应用领导-跟随多智能体强化学习（MARL）方法，将调度问题分解为一系列子问题，以实现可扩展性。研究结果表明，提出的模型在各方面优于现有基于深度强化学习的调度模型，并在需求变化下展现出更强的调度性能，具有广泛的制造业应用潜力。
发现论文，激发创造
  • ScheduleNet: 用强化学习解决多智能体排班问题

    提出了一种基于强化学习的实时调度器ScheduleNet，它可以解决各种类型的多智能体调度问题，其中包括多销售员旅行问题（mTSP）和作业车间调度问题（JSP），并且采用类型感知图注意力（TGA）提取节点嵌入以计算任务分配概率。

    Jun, 2021

  • 深度强化学习和关注机制的动态车间调度混合智能

    本文提出了一种将动态车间调度问题(DJSP)建模为强化学习的马尔可夫决策流程(MDP)的混合框架，并结合了注意力机制作为图表示学习(GRL)的模块，以及双层权利分离深度Q网络评估最适当的调度规则，经实验证明该框架优于基准算法，并证实了这种混合框架的有效性。

    Jan, 2022

  • 多智能体灵活排程问题的强化学习方法

    本研究使用强化学习方法，提出了适用于自动生产中的调度问题的解决方案：使用OpenAI gym环境和启发式引导Q-Learning算法，成功地解决了多智能体柔性车间问题，并在该领域取得了最优解。

    Oct, 2022

  • 强化学习的模因算法用于社技生产调度

    本文介绍了一种利用深度强化学习应用的模因算法，用于解决实践中的双重资源约束柔性作业车间调度问题，并提出一种用于多标准优化的并行计算混合框架。通过实践证实，该框架使用DRL可以产生更好的结果，并优于传统方法。

    Dec, 2022

  • 利用强化学习进行车间作业调度的课程学习

    本研究通过引入难度变化和课程学习策略来改进深度强化学习方法，基于图嵌入实现的DLR方法在解决工作车间调度问题方面取得了显著的效果。

    May, 2023

  • 深度强化学习在机器调度中的应用方法、现状和未来方向

    深度强化学习(DRL)在机器调度问题中的方法和应用进行了全面的综述和比较，发现DRL方法在计算速度和生成接近全局最优解方面表现优于其他方法，但面临着处理复杂操作约束、多目标优化、泛化性、可扩展性、解释性和鲁棒性等限制，解决这些挑战将是未来研究中的关键焦点。该论文为研究人员评估当前DRL机器调度领域的现状以及发现研究空白提供了宝贵的资源，同时也帮助专家和从业者选择适合生产调度的DRL方法。

    Oct, 2023

  • 小批次有利可图？探究批次大小对基于强化学习的实际生产调度的影响

    通过使用强化学习算法解决实际生产线上的排产问题，本研究探讨了产品批次大小对解决方案质量和强化学习算法的训练动态的影响，并提出了两种新的课程学习策略，为小批量训练提供支持。这些研究结果可应用于与排产问题类似的多个工业场景。

    Jun, 2024

  • 家具行业作业车间调度优化：考虑机器设置、批次变异和内部物流的强化学习方法

    本研究解决了家具行业作业车间调度问题（JSSP），针对传统模型未能充分考虑机器设置时间和批次大小变异的缺陷，提出了一种结合深度强化学习的调度模型。该模型能够提高调度准确性和效率，促进生产流程的实时调整，从而应对复杂制造环境中的变化和不确定性。

    Sep, 2024

  • 将强化学习作为现实生产调度的改进启发式方法

    本研究解决了应用强化学习（RL）于现实多目标生产调度问题的不足。通过将RL代理训练为改进启发式，初始从次优解出发，逐步应用小变更以提升解的质量。实验表明，该方法在与其他启发式比较时表现出更优的性能，潜在地提升生产调度的效率。

    Sep, 2024

  • 多智能体强化学习在物料处理系统中的动态调度

    本研究解决了物料处理系统中动态调度策略优化的缺口，提出了一种多智能体强化学习方法，以提升各行业的吞吐量。通过集成现有调度启发式知识，本方法在实际环境中进行验证，实验证明其表现比传统启发式策略提升多达7.4%。

    Sep, 2024