基于异构析取图与深度强化学习的柔性作业车间协同调度优化方法

为解决柔性作业车间中自动化导引车(AGV)与机器动态耦合导致的调度效率低下问题，研究人员提出基于异构析取图(HDG)和深度强化学习(DRL)的协同调度方法。通过构建"工序-机器-AGV"三元节点模型，结合近端策略优化(PPO)算法实现端到端优化。实验表明该方法在FJSP-LA问题中显著缩短制造周期(makespan)，较主流算法提升15.7%调度效率，为智能制造提供新范式。

　　

在智能制造浪潮下，柔性作业车间调度问题(FJSP)已成为制约生产效率的关键瓶颈。随着个性化定制需求激增，传统流水线式生产模式难以应对多品种、小批量的制造要求。更棘手的是，自动化导引车(AGV)的引入虽然提升了物流效率，却使系统复杂度呈指数级增长——机器与AGV在时空维度上的资源争夺常导致设备闲置、物流堵塞等问题。现有研究多将运输时间简化为固定值或零，这种理想化假设严重脱离实际生产场景。面对这一挑战，中国研究人员在《Engineering Applications of Artificial Intelligence》发表创新成果，提出基于异构析取图(HDG)和深度强化学习(DRL)的协同调度方法。

研究团队采用三项核心技术：1)构建含工序、机器、AGV三类节点的异构析取图模型，通过拓扑关系编码动态约束；2)设计基于多层感知机(MLP)的分层特征提取框架，融合节点静态属性与动态交互特征；3)采用演员-评论家(Actor-Critic)架构与近端策略优化(PPO)算法，实现从原始状态到调度动作的端到端映射。实验数据来自公开数据集Brandimarte和Hurink，以及自建的FJSP-LA实例。

问题定义
研究将FJSP-LA形式化为最小化制造周期(makespan)的NP难问题，需同步解决机器选择、工序排序和AGV分配三个子问题。数学建模显示，当工序O_ij
在机器M_k
上加工时，其完成时间C_ij
受前序工序和AGV运输时间的双重约束。

异构图建模
突破传统析取图的二元局限，构建包含操作节点V^o
、机器节点V^m
和AGV节点V^a
的三元异构网络。通过边类型划分（工序优先边E^p
、机器冲突边E^m
、AGV冲突边E^a
）将图密度降低42.3%，显著提升计算效率。

特征提取
采用三阶段嵌入机制：初级MLP提取节点固有特征（如机器加工能力）；中级GAT（图注意力网络）捕获邻域关系；高级Transformer编码全局依赖。实验表明该框架使策略梯度方差降低36.8%。

策略优化
设计复合奖励函数R=αR_makespan
+βR_utilization
+γR_waiting
，平衡完工时间、设备利用率和AGV等待时长。PPO算法中的Clip机制将策略更新幅度控制在±0.2区间，确保训练稳定性。

实验验证
在8×8（8工件8机器）场景中，该方法较遗传算法(GA)缩短makespan 18.2%，计算耗时仅为其1/7。消融实验证实：移除AGV节点特征会使调度性能下降23.4%，凸显三边协同的必要性。

该研究开创性地将异构图神经网络引入柔性车间调度领域，其现实意义体现在三方面：1)首次实现机器与AGV的毫秒级实时协同决策；2)提出的HDG模型可扩展至其他资源约束优化问题；3)为数字孪生车间提供可解释的调度策略生成框架。未来研究可探索多目标优化场景，并考虑AGV充电等实际约束。这项工作标志着智能制造从"经验驱动"向"数据驱动"的重要转型。