柔性作业车间中图嵌入的深度强化调度策略研究

来源：计算机工程与应用杂志2025年第21期北京时间：

作者：陈明童, 张健欣, 侯淑君

单位：1.内蒙古工业大学 电力学院，呼和浩特 010000；2.中国电子科技集团公司 第十五研究所，北京 100083

摘要：柔性作业车间调度问题（FJSP）因其NP-hard特性、资源约束和工序强耦合在大规模实例中求解难度高、效率低。启发式调度方法受限于计算复杂度和泛化性不足。提出融合图神经网络（GNN）与深度强化学习（DRL）的状态与负载感知（state load aware）、掩码引导（mask guided）、图结构增强（graph enhance）的SMG-DRL调度框架。SMG-DRL通过状态负载感知实现全局与局部的状态嵌入、采用掩码引导机制优化动作选择，利用稀疏图建模与GIN提取结构特征，显著提升了调度框架的求解能力。在Brandimarte数据集上的实验结果显示，SMG-DRL调度框架相较于三种调度规则（SPT、MWKR和LWKR）平均误差降低约42%（三种启发式算法的平均Gap为35.55%，10×5和20×10的SMG-DRL框架的平均Gap为20.55%）；与Zhang和Lei提出的DRL方法相比，SMG-DRL在Gap水平和结果稳定性上更具优势，具有更强的收敛性与鲁棒性。相较于OR-Tools的求解时间（978 s），计算时间缩短至约3?s，效率提升约300倍。且在30×10和40×10大规模实例中Gap低至6.23%~8.76%，展现出良好的泛化能力。

关键词：柔性作业车间调度,图神经网络,强化学习