Optimierung der dynamischen Planung für flexible Fertigungsstätten mithilfe von Multi-Agenten Deep Reinforcement Learning

Diese Studie schlägt ein Optimierungsframework vor, das auf Multi-Agenten Deep Reinforcement Learning (MADRL) basiert, und führt eine systematische Untersuchung des FJSP unter dynamischen Szenarien durch. Die Forschung analysiert die Auswirkungen zweier Arten von dynamischen Störereignissen – Maschinenfehlfunktionen und Auftragsänderungen – auf das dynamische flexible Job-Shop-Planungsproblem (DFJSP). Darüber hinaus integriert sie Prozessauswahlagenten und Maschinenwahlagenten, um Lösungen zur Bewältigung dynamischer Ereignisse zu entwickeln. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene multi-objektiv DFJSP-Planungsmethode, die auf dem 3DQN-Algorithmus basiert und eine ereignisgesteuerte Neuprogrammierungsstrategie einbezieht, effektiv Störungen, die durch dynamische Ereignisse verursacht werden, mindert.