强化学习增强的帝国竞争算法在有限运输与辅助资源约束下的柔性作业车间调度优化

本文针对液压缸制造中多资源耦合的柔性作业车间调度问题(FJSP/TA)，提出融合强化学习(RL)的帝国竞争算法(RLICA)，通过动态参数自适应策略和双层邻域搜索算子，协同优化最大完工时间和半成品库存成本。算法在33组基准案例和企业实测数据中均显著优于现有方法，为智能制造系统提供了运输-加工-辅助资源协同调度的创新解决方案。

　　

Highlight

在多维耦合的智能制造系统复杂场景中，柔性作业车间调度问题(FJSP)的优化决策不仅受机器资源分配影响，更与运输系统、辅助资源的动态交互密切相关。本研究提出考虑有限运输与辅助资源的多目标FJSP模型，并开发强化学习增强的帝国竞争算法(RLICA)，其创新性体现在：

1. 1.

   采用混合初始化策略提升种群多样性

2. 2.

   基于强化学习设计殖民同化阶段的动态参数自适应机制

3. 3.

   构建双层邻域搜索算子增强局部探索能力

Scheduling problem with transportation resources

传统FJSP框架下，运输资源约束的扩展研究成为提升调度模型实用性的关键。车间生产调度系统包含资源分布（叉车/轨道车/RGV等）与工艺流程双核心，而液压缸等重型部件的吊运设备共享特性使运输约束成为瓶颈因素。

Description of the FJSP/TA

问题定义为：在包含n个工件(J₁-J_n)、m台机器(M₁-M_m)、g台运输设备(T₁-T_g)和k种辅助资源(N₁-N_k)的系统中，每个工序需特定机器组合，且加工时间、辅助资源需求固定。当关键资源被占用时，将导致生产阻滞与库存成本上升。

Reinforcement learning enhanced imperialist competitive algorithm

帝国竞争算法(ICA)通过殖民同化机制实现全局搜索，但存在早熟收敛风险。本研究创新性地将Q学习嵌入同化过程，动态调整交叉/变异概率，使算法在勘探-开发间智能平衡。

Numerical experiments and results

基于33组基准案例的消融实验显示：RLICA在超体积指标(HV)上较NSGA-II提升23.7%，收敛速度提高41.2%。企业案例验证了算法能协调吊车、精密夹具等资源，使半成品库存成本降低18.3%。

Conclusions and future directions

本研究证实RLICA能有效解决液压缸制造中多资源约束的FJSP问题，未来将探索动态订单场景下的实时调度机制。