一种基于强化学习优化的知识引导遗传算法，用于解决具有批次流特征的灵活作业车间调度问题

《IEEE Transactions on Systems, Man, and Cybernetics: Systems》：A Reinforcement-Learning-Enhanced Knowledge-Guided Genetic Algorithm for Flexible Job-Shop Scheduling Problems With Lot Streaming

FJSP-LS问题通过子批流送提升生产效率但求解困难，本文提出强化学习增强的知识导向遗传算法RKGA，利用精英解集子批方案特征指导强化学习环境生成和子批突变，结合扰动操作突破局部最优，实验验证RKGA优于现有算法。

　　

摘要：

具有批量流处理的灵活作业车间调度问题（FJSP-LS）是灵活作业车间调度问题（FJSPs）的扩展。在该问题中，允许将作业拆分为多个子批次进行单独或同时处理和运输，从而提高作业车间的生产效率。然而，由于这种子批次拆分，问题的解空间大幅扩大，使得寻找最优解变得非常困难。本研究提出了一种基于强化学习的知识引导遗传算法（RKGA）来解决这一问题。具体来说，我们设计了一种知识引导策略，从优秀解集的子批次方案（SSs）中提取子批次特征作为知识，并利用这些知识来指导强化学习（RL）中的SS变异和环境状态空间的生成。此外，还设计了一种结合扰动操作和RL的方法，以帮助算法摆脱局部最优解。通过大量的计算实验验证了RKGA在解决FJSP-LS问题方面优于现有算法的优势。

引言

生产调度是提高制造系统生产效率的关键问题。灵活作业车间调度问题（FJSP）是一种经典的生产调度问题，属于NP难问题[1]。许多现有研究关注FJSP及其变体[2]、[3]、[4]、[5]，因为它们的优质解决方案可以帮助制造商实现所需的运营效率。