Forschung zur flexiblen Auftragsplanung basierend auf Deep Reinforcement Learning mit Transformer-Graph-Neural-Netzwerk

Die Verwendung von Reinforcement Learning zur Lösung flexibler Auftragsplanungsprobleme (FJSP) besteht aus zwei Phasen: Merkmalsauswahl aus Umweltbeobachtungen und anschließendes Mapping dieser Merkmale auf Politiken. Die Wirksamkeit der Politiken hängt stark von der Qualität der Merkmalsauswahl ab, doch die Forschung in diesem Bereich ist spärlich. Um dieses Problem zu beheben, schlagen wir eine neuartige Netzwerkstruktur, T-GNN (Transformer-Graph Neural Network), vor, die Transformer- und Graph-Neural-Netzwerke kombiniert, um Merkmale aus disjunktiven Graphen zu extrahieren und kritische Bereiche zu betonen. Darüber hinaus wird Layer-Normalisierung verwendet, um Verteilungsunterschiede in Trainings- und Testdaten für FJSP zu adressieren und so Überanpassung des Modells zu verhindern. Eine Evaluierungsmethode wird eingeführt, um die Wirksamkeit der extrahierten Merkmale über mehrere Datensätze hinweg zu bewerten. Experimentelle Ergebnisse zeigen, dass unser Modell traditionelle Prioritäts-Dispatch-Regeln sowohl in synthetischen als auch in klassischen Datensätzen übertrifft, was den signifikanten Einfluss der Merkmalsauswahl der ersten Phase auf die Gesamtleistungsfähigkeit der Planung hervorhebt.