编辑推荐：
在工业 5.0 背景下，生产调度面临复杂挑战，传统方法难以权衡多目标。研究人员提出 Q - learning 引导的双种群遗传算法（QGGA）。实验显示，该算法相比其他算法在 Hypervolume（HV）等指标上表现优异，为解决工业 5.0 调度难题提供新框架。
随着工业的不断发展，工业 5.0 时代悄然来临。在这个时代，绿色制造、柔性和数字化生产成为核心追求，人机协作与分布式制造系统备受重视。然而，这也给制造企业带来了前所未有的挑战。想象一下，在一个生产车间里，工人们与各种机器协同工作，不同工人状态不同，机器的加工效率也跟着波动，再加上生产环境多变，传统的生产调度方法就像在复杂迷宫中迷失方向的人，难以应对多目标权衡的难题 。
为了解决这些棘手问题，研究人员展开了深入研究。他们聚焦于鲁棒分布式排列流水车间调度问题（RDPFSP），提出了一种创新的 Q - learning 引导的双种群遗传算法（QGGA）。这项研究成果发表在《Expert Systems with Applications》上，为工业 5.0 生产调度提供了新的思路和方法。
研究人员在开展研究时，主要运用了以下关键技术方法：采用马尔可夫分析方法构建包含模糊机器效率的生产线模型；结合场景法和期望 - 标准规则构建鲁棒调度问题；将强化学习融入双种群遗传算法，形成 QGGA 算法。
算法设计
由于 RDPFSP 属于 NP - hard 问题，传统的精确分析方法计算效率低，而标准进化算法（EAs）在解决多目标调度问题时，面对不确定性也表现不佳。因此，研究人员提出 QGGA 算法。该算法利用强化学习增强搜索过程，通过双种群优化不同目标，保证优化效果的多样性；还设计了合作池，促进两个种群间接交流，提高算法收敛效率。
实验与讨论
为验证 QGGA 算法的有效性，研究人员在配备 CORE i5 CPU（2.9 GHz 频率）和 16 GB 内存的计算机上，用 Python 实现该算法。在实验中，设置了极端但符合实际的不确定性条件，比如机器效率波动高达 20%。
实验结果
实验结果令人惊喜。与 NSGA - II 相比，QGGA 算法在超体积（HV）指标上提升了 19.1% ，反向世代距离（IGD）降低了 65.5%；与 PPO 相比，HV 提升了 24.8%；与 MOEA/D 相比，IGD 改善了 90.4%。这表明 QGGA 算法在解的稳健性和计算效率之间达到了出色的平衡。
研究结论与讨论
研究提出的 QGGA 算法，将强化学习的自适应决策能力与进化优化相结合，通过双种群合作机制，有效解决了鲁棒分布式排列流水车间调度问题。在面对机器效率波动等复杂不确定性时，该算法展现出强大的性能优势，为工业 5.0 环境下的生产调度提供了更优的解决方案。这不仅有助于企业提高生产效率、降低能耗，还为相关领域的研究开辟了新方向，推动工业生产向更高效、更智能的方向发展。
