基于语义感知图建模与深度强化学习的双资源约束柔性作业车间动态调度方法

本文针对制造业中双资源约束柔性作业车间调度问题(DRCFJSP)，创新性地提出融合知识图谱(KG)与深度强化学习(DRL)的混合调度框架。通过构建制造过程动态知识图谱(MPDKG)实现异构数据融合，采用语义感知异构图注意力网络(SHGAT)提取全局特征，结合多智能体近端策略优化(MA-PPO)算法实现动态决策，显著提升了航空航天结构件车间的调度效率与实时响应能力。

　　

Highlight

本研究通过整合知识图谱(KG)与深度强化学习(DRL)技术，提出创新性解决方案应对考虑工人疲劳度与技能水平的双资源约束柔性作业车间调度问题(DRCFJSP)。

Conclusions and future work

本研究通过将工人疲劳度与技能差异等关键人因要素纳入调度模型，构建了融合KG与DRL的混合调度框架。该方法包含两大核心模块：基于多层次语义表示的知识融合模块，以及采用语义感知异构图注意力网络(SHGAT)进行特征提取的决策模块。实验证明该框架能有效提升动态制造环境下的调度响应速度与资源分配效率。未来研究将探索更复杂的多目标优化场景，并进一步验证方法在跨行业应用中的普适性。

CRediT authorship contribution statement

Yiwen Hu：主笔撰写初稿，软件开发，方法论构建。Jie Chen：审稿修订，研究指导。Zequn Zhang：研究指导，概念设计。Dunbing Tang：项目管理，概念设计。Qixiang Cai：审稿修订。

Declaration of competing interest

作者声明不存在可能影响本研究结果的财务利益冲突或个人关系。

Acknowledgement

本研究获得国家自然科学基金(92267109, 52305539)、江苏省自然科学基金(BK20230880)及中央高校基本科研业务费专项资金(NS2024033)资助。