基于元关系的异构图神经网络与深度强化学习在柔性作业车间调度中的应用研究

为解决柔性作业车间调度问题(FJSP)中节点语义关系缺失和异质性特征捕捉不足的难题，研究人员提出了一种基于元关系的异构图神经网络(MRHGNN)与深度强化学习(DRL)相结合的创新方法。该研究通过定义多组元关系编码节点间语义信息，采用定制化图嵌入技术提取异构特征，在公开基准数据集上显著超越传统启发式算法和现有DRL模型，并展现出从小规模训练实例向大规模问题迁移的强泛化能力，为智能制造系统的动态优化提供了新思路。

　　

在智能制造浪潮中，工厂需要像"变形金刚"般快速应对市场需求波动、机器故障等突发状况。传统生产调度方法面对这些挑战时往往捉襟见肘，而柔性作业车间调度问题(Flexible Job-shop Scheduling Problem, FJSP)因其允许工序在多台机器间灵活分配的特性，成为提升系统适应性的关键。虽然现有研究已将图神经网络(Graph Neural Network, GNN)与深度强化学习(Deep Reinforcement Learning, DRL)相结合取得进展，但节点间语义关系被忽视、异构特征捕捉不充分等问题，如同"雾里看花"般阻碍着调度性能的进一步提升。

针对这些瓶颈，研究人员开展了一项突破性研究。该团队创造性地构建了基于元关系(Meta-Relation)的异构图神经网络框架，将FJSP建模为包含多种节点类型的复杂网络。通过定义"工序-机器"、"工序-工序"等多组元关系，系统能像"翻译官"般精准解读不同节点间的语义联系；而针对每种关系设计的专用图卷积机制，则如同"量身定制的钥匙"，有效解锁了异构关系的特征表达潜力。结合深度强化学习的决策优化能力，这套系统在Brandimarte、DAU和DP等公开数据集测试中，将最大完工时间(makespan)平均降低了12.7%，较传统优先调度规则(Priority Dispatching Rules, PDRs)和现有DRL模型展现出显著优势。更令人惊喜的是，仅用10台机器规模数据训练的系统，在50台机器的大规模场景下仍保持优异性能，这种"以小见大"的泛化能力使其在工业落地中极具价值。

研究采用了三项核心技术方法：首先建立马尔可夫决策过程(Markov Decision Process, MDP)模型描述状态转移和动作选择；其次设计元关系驱动的异构图嵌入方法，通过关系特定投影和注意力机制提取特征；最后采用近端策略优化(Proximal Policy Optimization, PPO)算法进行端到端训练，训练数据来自随机生成的FJSP实例。

研究结果部分显示：在"FJSP描述"章节，通过数学建模明确了n个工件J=J₁
,…,J_i
,…,J_n
和m台机器M=M₁
,…,M_k
,…,M_m
的约束关系；"提出方法"章节中，MRHGNN通过分层注意力机制实现了跨元关系的特征传播；"实验"部分在三个基准数据集上验证了模型在求解质量和计算效率的双重优势，特别是在10×10规模问题上较次优方法缩短makespan达15.3%。

结论部分强调，这项发表于《Expert Systems with Applications》的研究开创性地将元关系概念引入FJSP求解，其价值如同为"工业调度装上语义导航"。Yuzhi Zhang等学者构建的框架不仅解决了传统方法对隐含语义信息"视而不见"的缺陷，更通过异构特征的精妙提取，使系统具备了"见微知著"的泛化能力。该成果为智能制造系统应对不确定性提供了新范式，其方法论对设备维护、物流优化等需要处理复杂关系的决策问题也具有重要启示意义。