基于深度学习的绿色柔性作业车间调度研究

来源：电子测量技术杂志2025年第18期北京时间：

作者：彭国峰，胡彬，朱晓春

单位：南京工程学院自动化学院 南京 211167

摘要：在绿色柔性作业车间(GFJSP)中，生产过程复杂导致生产效率低下，有效调度自动导引车(AGV)运输可以确保生产效率，又能保证成本控制。本文提出了多步深度多Q网络算法(multi-step D4QN)用于处理绿色车间与AGV调度。该方法首先通过马尔科夫决策过程(MDP)设计一个可以提供AGV与车间进行交互的数学框架，通过状态特征、动作空间、奖励函数实时调整决策从而实现作业与AGV调度。其次设计针对训练决策的算法进行优化改进，通过改进Q值的计算方式以及深度网络的训练得到合适解。最后进行两种验证算法学习性能的实验。第1种实验为单目标柔性作业车间调度，以最小化完工时间为目标，通过算法对Brandimarte算例和Kacem算例训练并将实验结果进行多算法对比，结果表明算法的平均时间比其他深度学习算法缩短了5.1~17.2 s，平均最优差比率减少了7.5%~21%，证明了算法的优越性和稳定性。第2种实验为多目标车间中AGV调度实验，以最小化完工时间和AGV能耗为目标，在MK01算例上计算AGV最优数量，实验表明4台AGV相较于其他数量标准化指数提升了3%~31.8%，证明其能够更好的实现车间降本增效的效果。

关键词：深度学习;绿色柔性作业车间;AGV调度;马尔科夫决策过程

基金资助：江苏省高校自然科学基金重大项目(23KJA510003)资助