异构运输D-FJSP求解器

异构异构图网络求解

首个用异构图统一表征工厂、机器、工序与异构运输资源的端到端深度强化学习方法，调度过程被建模为马尔可夫决策过程，从而全面求解跨厂物流约束下的分布式柔性作业车间调度。

Kaikai, Zhu · 李孝斌 · 江沛 · 程敏 · 吴元清 · Gao, Kaizhou · 任磊

IEEE Transactions on Systems, Man, and Cybernetics: Systems 2026

参数信息

性能提升

>10 %

技术优势

超过10%性能提升

在大多数合成与基准实例上，相比经典优先规则和两种流行DRL方法，性能提升超过10%。

应用场景

• 智能生产调度：用深度强化学习自动生成车间与物流协同调度方案，替代人工排程
• 多工厂协同制造：统一建模多工厂工序与跨厂运输，支持跨厂协作排程
• 物流与生产协同优化：考虑异构运输资源约束，同时优化生产与物流，缩短总完工时间