来源：期刊VIP网 时间：
作者：夏保丽;马永忠;
单位：银川能源学院信息传媒学院;
摘要：随着工业信息化的迅速发展，分布式制造已成为现代制造业的重要模式之一。分布式流水车间调度问题(DFSP)由于其在资源分配、生产效率和交货周期中的关键作用而备受关注。然而，DFSP问题的复杂性体现在其任务的多工厂、多机器调度环境中，涉及工件分配与加工顺序的优化，这使其成为典型的NP-难问题，传统调度算法往往难以有效应对。在此背景下，文中的研究目的是提出一种基于深度强化学习(DQN)与调度规则结合的优化算法，旨在解决传统方法难以处理的高维复杂调度问题。首先分析了分布式流水车间调度的关键挑战，包括工件在多个工厂的分配以及工厂内部的工序安排，特别是最大完工时间的优化问题。基于此，设计了一种结合DQN与多种启发式调度规则的优化框架。该方法通过DQN的强化学习能力，将调度过程建模为马尔可夫决策过程，在每个决策点选择最优动作，并结合9种全局和局部调度规则来更新解的状态，逐步改进调度方案。仿真实验表明：该方法在多工厂、多工件的复杂调度问题中显著优于传统算法，能够有效减少最大完工时间，提升调度效率。研究结果表明：DQN与调度规则的结合不仅可以避免局部最优解的陷阱，还具备更强的自适应能力与智能决策能力，能够动态调整调度策略，实现全局优化。文中的研究为分布式制造系统中的复杂调度问题提供了一种高效的解决方案，具有良好的应用前景。
关键词：分布式制造;;流水车间调度;;强化学习;;深度神经网络
