Key points are not available for this paper at this time.
تعد عملية تحديد حجم الدفعة المتغيرة نهجًا فعالًا لتحسين كفاءة الإنتاج من خلال تقسيم عملية إلى عدة تقسيمات فرعية، وقد تم تطبيقها على نطاق واسع في أنظمة التصنيع المرنة. ومع ذلك، فإن مرونة تحديد حجم الدفعة ستوسع بشكل كبير مساحة الحل، مما يؤدي إلى وقت حساب مفرط للالتقاء بالمثالي النسبي. لمعالجة هذا التحدي، يقدم هذا البحث إطار تعلم تعزيز عميق من النهاية إلى النهاية يعتمد على آليات انتباه الرسم البياني غير المتجانس (HGADRL) لمشكلة جدولة ورش العمل المرنة مع تقسيمات فرعية متغيرة. على عكس الطرق التقليدية القائمة على القواعد، يتعلم HGADRL الديناميكية العالية الأبعاد، مما يوفر حلاً أكثر عمومية في وقت قصير جداً. في HGADRL، تم تصميم رسم بياني مختلف غير متجانس لتمثيل حالة الجدولة الديناميكية، بما في ذلك اختيار العمليات وتقسيم الدفعات الفرعية. تم تطوير شبكة انتباه رسم بياني مزدوجة النطاق مدمجة مع وحدتين انتباه متصلتين، مما يمكّن من التقاط دقيق للتبعيات المعقدة بين القمم المختلفة. يمكن أن تعزز هذه الطريقة بشكل كبير قدرة الوكيل على التعلم الذاتي وتطوير سياسات مثالية. من خلال الاستفادة من الميزات المحلية والعالمية المستخرجة عبر شبكة انتباه الرسم البياني، يتم استخدام شبكة الممثل-الناقد لتحقيق جدولة عالية الجودة في مختلف الحالات. تظهر النتائج التجريبية أن الطريقة المقترحة تتفوق على 12 قاعدة توزيع أولوية مختلطة، وطريقتين ميتا-هجريتين وطريقتين لتعلم التعزيز العميق في جميع 500 حالة تركيبية. بالإضافة إلى ذلك، تتفوق الطريقة المقترحة على جميع الطرق المقارنة عبر 16 مقياس غير مرئي و4 حالات من العالم الحقيقي، مما يدل على قدراتها القوية على التعميم. • تتم دراسة مشكلة جدولة ورش العمل المرنة مع تقسيمات فرعية متغيرة عبر DRL. • رسم بياني مختلف غير متجانس لتمثيل حلول FJSP-VS. • MDP مخصص لـ FJSP-VS لتمثيل الحالة والعمليات المركبة بدقة. • شبكة انتباه الرسم البياني مزدوجة النطاق للاستخراج العميق للميزات.
درس يانغ وآخرون (الثلاثاء) هذا السؤال.