面向装配式建筑供应链调度的知识驱动强化学习:一种两阶段大语言模型集成框架

《Advanced Engineering Informatics》:Knowledge-Driven reinforcement learning for Prefabricated construction supply Chain Scheduling: A Two-Phase large language model integration framework

【字体: 大 中 小 】 时间:2026年09月20日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   • 提出了一种知识驱动的 AI 框架,用于工业化建筑中的动态三阶段调度。 • 一种两阶段大语言模型架构集成了离线基于 RAG 的约束提取和在线熵触发的咨询。 • 工程规则被转换为可执行的动作掩码,以确保可行的 MaskablePPO 调度决策。 • 随机森林延误风险预测能够在

  

• 提出了一种知识驱动的 AI 框架,用于工业化建筑中的动态三阶段调度。
• 一种两阶段大语言模型架构集成了离线基于 RAG 的约束提取和在线熵触发的咨询。
• 工程规则被转换为可执行的动作掩码,以确保可行的 MaskablePPO 调度决策。
• 随机森林延误风险预测能够在天气和运输不确定性中实现主动的风险缓解。
• 压力测试和敏感性分析揭示了策略性能的鲁棒性,并确定了主要的可行性相关因素。

引言
工业化建筑,特别是场外及模块化建筑(OMC),已成为应对建筑环境中持续挑战的关键策略,这些挑战包括困扰传统现场施工方法的人员短缺、成本超支和进度延误。OMC 将大量建筑活动转移到受控的工厂环境中,在此环境中,标准化的制造过程可以改善质量控制并压缩交付时间。然而,由于制造、物流和装配活动具有相互依赖性,跨这些互联阶段有效管理生产、运输和现场装配仍然非常复杂。已证明这些阶段之间协调的碎片化会阻碍绩效并降低系统在面对现实干扰时的韧性,这凸显了需要更具集成性的决策支持方法 [1], [2] 的必要性。

人工智能(AI)在增强复杂工程领域的决策和自动化方面显示出越来越大的前景。在建筑领域,机器学习、计算机视觉、数字孪生和集成 BIM 的预测分析等 AI 驱动技术已应用于实时监控、物流协调、进度风险识别和资源优化 [3], [4]。与此同时,模块化及场外建筑调度领域的运筹学已开发了生产和运输协调的优化模型。先前的研究表明,运输调度模型在降低物流成本和提高准时交付方面的有效性 [5],预计到达时间(ETA)预测模型在提高交付可靠性和供应链协调方面的有效性 [4],以及生产调度模型在最小化预制构件的罚款成本和完工时间方面的有效性 [6]。多目标及混合元启发式优化方法进一步扩展了在竞争目标和多资源约束下的调度能力,凸显了计算智能在复杂模块化建筑调度问题中的潜力 [7], [8]。

然而,尽管取得了这些进展,目前的工作主要解决离散问题,如单个阶段的静态优化,并孤立地处理建筑阶段,未能完全在实时闭环决策框架内统一生产、运输和装配的协调,也未将生产调度、车辆选择、库存和装配进度作为一个整体进行联合优化。现有的基于 AI 的模型往往表现为“黑箱”,缺乏对特定领域约束的显式编码,以及融入建筑施工过程中刚性顺序依赖和固有工程约束的能力。因此,纯数据驱动的代理即使在稀有运行条件下也可能生成理论最优但实际不可行的进度表,无法满足工程应用所需的透明度和可靠性。此外,很少有研究将多阶段 OMC 供应链的随机性作为不确定性下的连续序列决策问题来处理,且现有的建筑调度框架中,没有任何一个在统一架构中集成了知识提取流水线、风险感知奖励信号以及不确定性触发的大语言模型(LLM)咨询机制。

为了解决这些局限性,本研究提出了一种知识驱动的强化学习框架,将三阶段预制建筑施工调度问题表述为马尔可夫决策过程(MDP),并通过两阶段大语言模型架构将领域工程知识与自适应序列决策相结合。在离线阶段,检索增强生成(RAG)流水线从技术标准和项目文档中提取工程约束、装配优先规则、车辆装载限制和存储容量上限,并将它们形式化为嵌入在动作掩码模块中的可执行布尔谓词,基于具有可追溯来源的权威领域知识奠定策略的可行决策空间。在在线阶段,熵触发咨询机制监控每个决策步骤的策略不确定性,并在检测到高不确定性状态时,自适应地将代理的动作采样偏向 LLM 推荐的类别,同时保持硬约束执行,在学习策略运行范围的边界提供可解释的决策支持。该框架采用可掩码近端策略优化(MaskablePPO)作为核心调度代理,并纳入随机森林延误风险模块来塑造奖励信号,使运输风险暴露情况在训练过程中可见,以鼓励风险缓解的调度行为。整体研究框架如图 1 所示。

本研究在三个维度上为 AI 赋能的建筑管理做出了贡献。首先,它通过两阶段大语言模型架构建立了将领域工程知识与自适应强化学习相结合的系统化途径。传统方法要么依赖手动编码的约束,这劳动密集且难以随着项目需求的变化而更新,要么放弃显式的约束执行,冒着技术上不可行进度表的风险。本提议的框架通过提供从技术标准自动提取初始约束的机制来解决此问题,加速约束规范并确保可追溯性,由领域专家完善完成生产就绪的约束集(离线阶段),并在高不确定性状态下提供熵触发的可解释指导(在线阶段),证明大语言模型可以作为非结构化领域文档与数值优化环境之间的结构化桥梁。其次,它将预制建筑物流重新构想为一个统一的序列决策系统,捕捉跨阶段协调动态,而不是将生产、运输和装配视为孤立的优化问题。MDP 表述在一个连续决策循环中联合建模库存演变、生产提前期队列、运输冷却时间、天气调节的装配效率以及随机中断传播,使代理能够学习预期性协调策略,包括主动缓冲管理、天气窗口利用和生产 - 调度时序对齐,这是静态启发式和阶段隔离规划无法实现的。第三,它提供了经验证据,表明知识驱动的 AI 可以在各种受约束和不确定条件下保持调度鲁棒性,同时保持可解释性和工程可行性。通过跨八个复合压力场景的零样本鲁棒性测试、知识驱动组件的消融分析和容量规划变量的敏感性分析,本研究证明通过 LLM-RAG 将工程约束直接嵌入 RL 策略空间可以实现自适应调度性能,而无需牺牲透明度或领域兼容性,推动工业化建筑协调超越了可解释但刚性的规则系统与自适应但不透明的数据驱动模型之间的传统权衡。

本文其余部分组织如下。第 2 节回顾了关于预制建筑供应链(PCSC)协调、序列决策和知识驱动约束编码的相关工作。第 3 节介绍了 MDP 表述和知识驱动的调度框架。第 4 节描述了实验设计和基线策略。第 5 节报告了跨训练性能、压力场景、消融和敏感性实验的结果。第 6 节讨论和第 7 节结论讨论了发现并得出结论。

章节片段
预制建筑供应链中的协调挑战
通过预制和模块化方法实现建筑工业化,将本质上碎片化的现场流程转变为紧密耦合的三阶段供应链:工厂生产、站点间运输和结构装配,在这种工业化建筑工作流程中存在着显著的跨阶段信息差距和供应链透明度障碍 [9], [10]。这种耦合产生的协调需求从根本上不同于传统...

问题表述
涵盖生产、运输和现场装配的预制建筑供应链动态调度问题,其特征是不确定性下的序列决策。为了严谨地捕捉这些动态,本研究将该问题表述为离散时间马尔可夫决策过程(MDP)。MDP 提供了一个原则性的数学框架,用于对观察系统状态并采取行动以在随机环境中最大化累计奖励的代理进行建模 [39]。

案例场景和参数设置
基线实验配置代表了一个五层预制建筑项目,包含三种构件类型(柱、梁、板),逐层顺序装配,以及随机天气驱动的运输中断。关键操作参数包括:每种构件类型每步生产能力为 3–4 个单位,提前期为两步,标准运输时间为三步,车辆返回周期为两步,两步运输冷却时间强制执行最小调度间隔...

策略性能和鲁棒性
MaskablePPO 代理使用第 4.3 节描述的 13 种场景混合课程进行了 1,000,000 个时间步的训练。如图 5 所示,平均回合奖励从初始化的约 -1000 稳步增加,并在 600,000 个时间步后收敛至约 1,400。剪裁分数在整个训练过程中稳定在~0.35(得益于激进的剪裁比率ε= 0.05),确认了有意义的策略梯度得以维持。未观察到奖励崩溃或灾难性遗忘,

主要发现和优势
结果显示了四个综合发现。首先,MaskablePPO 通过学习前瞻性协调策略来改进动态调度,这些策略考虑了装配连续性、运输可用性、库存演变和现场拥堵,而基于规则的策略仍然受限于局部决策逻辑。其次,强化学习的优势在多个约束相互作用且扰动跨阶段传播时最为明显,尽管在极端...

结论
本研究开发了一种用于预制建筑供应链实时调度协调的知识驱动强化学习框架。该框架将三阶段调度问题表述为马尔可夫决策过程,并在两阶段大语言模型集成架构下使用 MaskablePPO 代理求解。在离线阶段,LLM-RAG 流水线从技术标准和项目文档中提取工程约束并将其形式化为...

CRediT 作者贡献声明
Chunlin Wu:撰写 – 审阅与编辑,撰写 – 原稿,监督,项目管理,方法学,资金获取,概念化。Yaxuan Yang:撰写 – 审阅与编辑,撰写 – 原稿,可视化,软件,方法学,形式分析,数据管理。Rundong Xin:可视化,验证,软件,调查,数据管理。

利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢
本工作得到国家自然科学基金(资助号:72171014, 72571021, 和 71801007)和中央高校基础研究基金(资助号:JKF-2026061429911)的支持。

Chunlin Wu|Yaxuan Yang|Rundong Xin
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号