Key points are not available for this paper at this time.
مدفوعًا بظهور التصنيع الذكي وصناعة 4.0، تواجه صناعة التصنيع تحديات كبيرة في التكيف مع طرق الإنتاج المرنة والفعالة. تقدم هذه الدراسة مقاربة مبتكرة لحل مشكلة جدولة الوظائف المرنة (FJSP) عن طريق دمج الشبكات العصبية الرسومية غير المتجانسة القائمة على العلاقات (HGNNR) مع التعلم العميق المعزز (DRL). النموذج المقترح يقوم بنمذجة العلاقات المعقدة في FJSP باستخدام الرسوم البيانية غير المتجانسة، حيث تمثل العمليات والآلات كنقاط، مع أقواس موجهة وغير موجهة تشير إلى الاعتمادات والتوافقات. يتكون إطار HGNNR من أربعة مكونات رئيسية: تحليل المجموعات الفرعية المحدد بالعلاقات، معالجة البيانات المسبقة، استخراج الميزات من خلال الالتفاف الرسومي، ودمج الميزات عبر العلاقات باستخدام آلية الانتباه متعددة الرؤوس. لاستخدام القرار، نطبق خوارزمية تحسين السياسة القريبة (PPO)، التي تقوم بتحديث السياسات بشكل تكراري لزيادة المكافآت التراكمية من خلال التفاعل المستمر مع البيئة. تظهر النتائج التجريبية على أربعة مجموعات بيانات معيارية عامة أن الطريقة المقترحة تتفوق على أربع تقنيات متقدمة تعتمد على DRL وثلاثة خوارزميات قائمة على القواعد الشائعة، محققة كفاءة جدولة عالية وقدرات تعميم متفوقة. يقدم هذا الإطار حلاً قويًا وقابلًا للتوسع لمشكلات الجدولة الصناعية المعقدة، مما يعزز كفاءة الإنتاج وقدرته على التكيف.
درس تانغ وآخرون (Thu,) هذا السؤال.