基于异构图神经网络的深度强化学习算法在有限运输资源混合流水车间调度中的优化应用

本文推荐：该研究针对流程工业中有限运输资源（AGV）与生产设备协同调度难题，提出基于异构图神经网络（HGNN）的深度强化学习（DRL）端到端优化方法。通过构建包含作业-机器-AGV异构关系的图模型，设计并行节点嵌入框架AENPHS，实现机器分配与AGV调度的复合决策，显著提升最大完工时间（makespan）性能。实验证明该方法在调度质量和泛化性上优于传统算法（如GA、PSO），为复杂生产调度提供了新范式。

　　

Highlight

本研究提出一种基于深度强化学习（DRL）的端到端调度方法，用于解决有限运输资源混合流水车间（HFSP-FTR）问题。通过设计包含作业节点、机器节点和AGV节点的异构图模型，直观呈现三者间的动态分配关系。

创新方法

1. 1.

   异构图形建模：构建可表达任意HFSP-FTR实例的图结构，清晰描述作业-机器-AGV的耦合关系。

2. 2.

   复合动作表示：将调度动作定义为“工序-机器-AGV”三元组分配，突破传统分派规则（DRs）的局限性。

3. 3.

   并行嵌入框架AENPHS：首创支持多类型节点并行嵌入的异构图神经网络（HGNN），结合注意力机制动态聚焦关键调度信息。

实验验证

在多样化测试集上，本方法较遗传算法（GA）、粒子群算法（PSO）等传统方法显著缩短最大完工时间（makespan_max），且展现出优异的泛化能力。例如，在钢铁冶炼场景中，AGV调度延迟降低23.7%，验证了工业适用性。

Conclusion

本研究为HFSP-FTR提供了首个融合异构图模型与DRL的解决方案，其核心价值在于：

• •

  实现机器与AGV资源的协同优化决策

• •

  通过AENPHS框架实现端到端特征提取

• •

  为大规模动态调度问题提供高效求解范式

未来方向

可探索多目标优化（如能耗最小化）及更复杂的运输约束场景。