一种结合了Q学习(Q-learning)和VNS( Variable Neighborhood Search)的改进型NSGA-II算法,用于增材制造中的多目标调度问题

《Expert Systems with Applications》:An enhanced NSGA-II with Q-learning and VNS for multi-objective scheduling in additive manufacturing

【字体: 大 中 小 】 时间:2026年09月21日 来源:Expert Systems with Applications 9.4

编辑推荐:

  • 构建了一个考虑构建方向和分批的二元目标增材制造(AM)调度模型。 • 提出了一种改进的NSGA-II算法,结合Q学习和变邻域搜索(VNS)以提升搜索性能。 • 使用基于强化学习(RL)的自适应机制动态调整搜索策略。 **引言** 由于航空航天、高端设备等其他

  • 构建了一个考虑构建方向和分批的二元目标增材制造(AM)调度模型。
• 提出了一种改进的NSGA-II算法,结合Q学习和变邻域搜索(VNS)以提升搜索性能。
• 使用基于强化学习(RL)的自适应机制动态调整搜索策略。

**引言**
由于航空航天、高端设备等其他领域对轻量级、高精度复杂组件的需求激增,选择性激光熔化(SLM)作为一种代表性的增材制造(AM)技术,已成为高端智能制造的核心工艺(Pinto, Silva, Thürer等人,2024)。与传统减材制造相比,AM具有更高的设计自由度和更优的材料利用率。然而,其逐层熔化机制导致了较长的生产周期和高单位能耗,这严重阻碍了其在大规模绿色工业中的应用(Kellens, Baumers, Gutowski, Flanagan, Lifset, Duflou, 2017; Yan等人,2023)。在多机车间批量生产场景中,调度优化是平衡生产效率和能源成本的关键方法(Lin & Ying, 2026)。
AM调度具有强耦合性、多重约束和非线性等独特特性,这些特性使其区别于传统的车间调度(Zhang, Yao, & Li, 2020)。零件的构建方向直接决定了构建高度和预计面积,进而影响每批的加工时间和能耗(Che, Hu, Zhang, & Lim, 2021)。同时,受构建室几何限制的影响,批次分组、机器分配和零件布局紧密相关,使得传统的离散调度解决方案不再适用(Kucukkoc, 2019)。
尽管在增材制造调度方面已取得了一些研究进展,但现有文献在客观评估时仍存在重大局限:
(1) **分离的决策机制**:大多数现有框架将构建方向优化和批次调度视为顺序独立的阶段(Rodriguez, Rossit, 2025; Taeid, Reisi-Nafchi, Moslehi, 2026)。这种分离的方法在形成批次之前就预先确定了固定的方向候选项,从而过早地缩小了可行的解决方案空间,并忽略了预计边界面积与构建高度之间的动态几何权衡(Kucukkoc, 2019)。
(2) **表面上的能源效率协同效应**:虽然能源意识调度受到了关注,但很少有研究系统地揭示了加工周期与多维能源组分(如腔室预热、激光扫描和惰性气体循环)之间的物理操作相互作用(Lin & Yu, 2026)。因此,现有的公式未能揭示能源敏感型AM车间的精确帕累托最优权衡边界(Lu & Shi, 2022)。
(3) **动态搜索中的方法论刚性**:应用于AM调度的传统元启发式算法通常采用固定的控制参数和不变的搜索操作符(Che, Hu, Zhang, Lim, 2021; Lin, Ying, 2026)。由于同时存在二维打包和多机分配的极端复杂性和高约束性,静态搜索策略容易陷入局部最优解,并且在不同问题规模上的适应性较差(Sugarindra, Tontowi, & Herianto, 2024)。
为解决上述研究空白,本文聚焦于多机SLM车间调度的综合优化问题,同时优化机器分配、批次分组和构建方向选择。提出了一个基于混合整数规划的二元目标模型,以最小化总加工周期和总能耗,捕捉工艺参数与调度决策之间的内在耦合关系。为有效解决这一强耦合、高约束的多目标优化问题,提出了一种改进的NSGA-II算法,结合了变邻域搜索和Q学习(简称NSGA-II-QLVNS)。本研究的主要贡献如下:
(1) 本研究建立了一个将构建方向优化、批次规划和机器分配整合在统一框架中的耦合多目标优化模型。与将方向决策与调度分离的现有研究不同(Che, Hu, Zhang, Lim, 2021; Kucukkoc, 2019),所提出的模型明确表达了零件几何形状、构建方向、加工时间和能耗之间的非线性关系,更真实地反映了SLM生产的物理特性。通过同时优化加工周期和能耗,该模型揭示了生产效率与绿色性能之间的定量权衡机制,从而丰富了增材制造可持续调度的理论体系(Gebler, Uiterkamp, Visser, 2014; Lu, Shi, 2022)。
(2) 本研究从数学上推导并严格证明了关于机器分配逻辑、能耗约束和方向依赖的支撑体积界限的几个内在问题属性。这些属性不是作为理论观察结果,而是直接嵌入到启发式搜索过程中。具体而言,属性1实现了基于机器数量的种群分割和基于面积的预筛选策略,在耗时的MRSSF打包评估之前排除了不可行的机器分配方案,有效减少了冗余的搜索路径。属性2进一步优化了非关键零件的方向,而不会增加关键批次的高度。总体而言,这些属性指导的机制显著减少了无效的打包评估和冗余的决策探索。
(3) 与简单结合NSGA-II和VNS的传统混合策略不同,本研究提出了两种针对耦合AM决策空间的领域导向自适应搜索改进。首先,一种多阶段初始化策略结合了打包优先级和属性2引导的方向优化,有效提高了初始帕累托解的质量和结构多样性。其次,嵌入了一个Q学习模块,根据实时的帕累托改进反馈动态调整局部搜索强度d,解决了传统VNS的固定搜索强度限制。值得注意的是,VND过程仍然顺序遍历所有预定义的邻域操作符,而Q学习仅调整搜索幅度,而不选择邻域结构。具备这两种机制的改进算法在不同问题规模上表现出更强的探索-利用平衡和稳定性(Cheng, Meng, Zhang, Gao, Sang, 2026; Karimi-Mamaghan, Mohammadi, Pasdeloup, Meyer, 2023; Zheng, Sang, Xing, Zou, Meng, Meng, 2024)。
本文的其余部分安排如下:第2节回顾相关工作;第3节阐述调度优化模型;第4节详细介绍所提出的算法框架;第5节通过实验分析验证该方法的有效性;最后总结结论和未来研究方向。

**BPM调度研究**
由于增材制造可以在单个构建周期内同时制造多个零件,因此常被建模为批次过程机器(BPM)调度问题的一个变体。Uzsoy(1994)率先证明单机BPM调度用于最小化加工周期和总完成时间是NP难问题,并开发了First Fit Longest Processing Time规则等基础启发式方法。后续研究主要沿着两条路径发展。

**问题描述和假设**
本节探讨了选择性激光熔化(SLM)增材制造环境中的并行机器调度问题。生产系统包括mn台相同的SLM机器(记为M={1,2,?,mn})和一组待处理的零件(记为I={1,2,?,in})。每个零件i∈I都有一组候选的构建方向O={1,2,?,on}。对于每个方向o∈O,其几何特性由元组(hio, wio, lio, sio)表示,分别代表高度、宽度等。

**设计原则和方法论创新**
为了有效解决AM中复杂的多目标调度问题,该问题本质上有机器分配、分批和打包以及方向选择的耦合,提出了一种改进的NSGA-II算法,结合了变邻域搜索(VNS)和Q学习(称为NSGA-II-QLVNS)。虽然标准NSGA-II是多目标优化的广泛应用基线,但其直接应用于目标SLM调度问题存在三个限制:

**实验设置和参数校准**
所有算法均使用Python实现,并在配备3.2 GHz Intel(R) Core(TM) i9 CPU和64 GB RAM的计算机上进行测试。为了评估它们的性能,使用了Lin等人(2023)提供的公开数据构建了20个测试配置。该资源库包含了零件的STL模型、一个、三个、五个和七个候选构建方向的相关零件信息文件,以及机器能耗模型和相关参数。

**结论和未来研究**
本文解决了增材制造(AM)中的多目标调度问题,同时优化了机器分配、批次分组、二维打包和构建方向选择,以最小化加工周期和总能耗。根据机器分配和方向依赖的批量处理,推导出了两个关于能量-加工周期关系的结构属性,以减少冗余搜索。基于这些属性,提出了一种知识驱动的混合算法。

**作者贡献声明**
吴斌:概念化、监督、撰写-审阅与编辑;韩凯格:概念化、方法论、撰写-初稿;史一通:验证、可视化;沈茂全:协助数据收集和手稿修订。

**利益冲突声明**
作者声明没有已知的相互竞争的财务利益或个人关系可能影响本文报道的工作。
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