【标题】Dynamic job shop scheduling based on deep reinforcement learning for multi-agent manufacturing systems

【作者团队】Yi Zhang, Haihua Zhu, Dunbing Tang, Tong Zhou, Yong Gui

【发表日期】2022.7.6

【论文链接】https://www.sciencedirect.com/science/article/pii/S0736584522000977

【推荐理由】个性化订单给生产范式带来挑战，迫切需要车间的动态响应能力和自我调整能力。因此，本文提出了一种基于深度强化学习（DRL）的多智能体制造系统，该系统集成了自组织机制和自学习策略。首先，将车间内的制造设备构建为设备智能体，在边缘计算节点的支持下，应用改进的合同网络协议（CNP）引导多个智能体之间的合作与竞争，高效完成个性化订单。其次，采用多层感知器在设备智能体内部建立称为AI调度器的决策模块。AI调度器根据感知到的车间状态信息，智能生成最优生产策略，进行任务分配。然后，基于收集到的调度过程样本轨迹，通过近端策略优化（PPO）算法对AI调度器进行周期性训练和更新，以提高其决策性能。最后，在验证实验中考虑了诸如随机作业插入和不可预测的机器故障等动态事件。实验结果表明，所提出的方法能够获得满足各种性能指标的调度解决方案，以及高效、自主地处理资源或任务干扰。

内容中包含的图片若涉及版权问题，请及时与我们联系删除