基于简化图Transformer的强化学习框架在大规模模糊柔性作业车间调度问题中的应用研究

本文针对大规模模糊柔性作业车间调度问题（FJSP）的复杂性和计算挑战，提出了一种结合简化图Transformer（SGFormer）与软演员-批评家（SAC）强化学习的新框架SGFormer-SAC。研究通过单层单头注意力机制高效捕捉模糊析取图的拓扑结构和长程依赖关系，将Transformer的二次复杂度降至线性，显著提升训练与推理效率。实验表明，该方法在生成实例和公开数据集上均表现出强鲁棒性，推理时间不超过5秒，并在Beh41-45基准上超越现有最优方法（CARL框架）11.4%。该研究为智能制造中的不确定性调度提供了高效解决方案。

　　

在智能制造浪潮下，传统生产调度面临小批量、高时效需求的严峻挑战。柔性作业车间调度问题（Flexible Job Shop Scheduling Problem, FJSP）作为经典NP难问题，其模糊处理时间版本更贴近现实生产中的不确定性，但现有元启发式算法效率低下，而图神经网络（GNN）在长程依赖捕捉上存在固有缺陷。为此，西安交通大学等机构的研究人员创新性地将简化图Transformer（SGFormer）与软演员-批评家（Soft Actor-Critic, SAC）算法结合，提出SGFormer-SAC框架，成果发表于《Engineering Applications of Artificial Intelligence》。

关键技术包括：1）构建模糊析取图模型表征FJSP的拓扑约束；2）设计单层单头注意力机制降低Transformer复杂度至O(N)；3）基于SAC算法设计包含熵正则化的强化学习策略；4）在Beh41-45（100×60）等基准数据集上验证性能。

模糊FJSP建模
通过三角模糊数（TFN=(t₁
,t₂
,t₃
)）量化处理时间不确定性，将问题分解为工序排序（OS）和机器分配（MA）两个子问题，目标是最小化最大完工时间（makespan）。

SGFormer-SAC框架
采用析取图节点嵌入操作特征，通过线性复杂度注意力层替代传统Transformer的二次计算，结合SAC的探索能力优化策略。实验显示，单层单头结构在100×60规模实例中仍保持竞争力，推理速度提升40倍。

性能验证
在Beh41-45基准测试中，SGFormer-SAC较最优调度规则（MOPNR+SPT）平均提升31.23%，推理时间控制在5秒内，显著优于CARL框架。方差分析（ANOVA）证实该方法稳定性。

该研究突破性地证明简化注意力机制在工业调度中的有效性，为处理万级节点图数据提供新范式。未来可扩展至动态事件（如机器故障）的实时响应，推动智能制造系统自主决策发展。