一种基于图嵌入机制的强化学习框架,用于解决模糊灵活的作业车间调度问题
《Expert Systems with Applications》:A reinforcement learning framework based on graph embedding mechanism for fuzzy flexible job-shop scheduling problem
【字体:
大
中
小
】
时间:2026年03月03日
来源:Expert Systems with Applications 9.4
编辑推荐:
王伟远|赵福清|左阳|徐天鹏中国兰州理工大学计算机与通信学院,兰州730050摘要为解决实际生产中加工时间存在的不确定性问题,以及绿色调度中完成时间与能耗之间的权衡问题,本文研究了具有第二类模糊加工时间的多目标柔性作业车间调度问题(MOT2FJSP)。该问题需要同时处理由第二类模
王伟远|赵福清|左阳|徐天鹏中国兰州理工大学计算机与通信学院,兰州730050摘要为解决实际生产中加工时间存在的不确定性问题,以及绿色调度中完成时间与能耗之间的权衡问题,本文研究了具有第二类模糊加工时间的多目标柔性作业车间调度问题(MOT2FJSP)。该问题需要同时处理由第二类模糊集表示的时间不确定性以及多个相互冲突的目标之间的权衡。本文提出了一种基于图嵌入机制的强化学习框架(RLFGEM)。该框架整合了四个协同工作的模块:1)采用多种规则进行种群初始化;2)利用第二类模糊析取图实现统一的解决方案表示;3)基于图神经网络的自适应策略模型;4)两阶段局部优化的节能策略。在该框架下,首先构建多种初始解决方案,然后将操作、机器和速度的序列信息通过第二类模糊析取图编码为图结构。接着,利用图同构网络提取特征表示,再通过策略模型为种群中的每个个体生成指导策略。最后,通过两阶段节能优化协调调整机器分配和加工速度。实验结果表明,RLFGEM在收敛性、多样性以及整体解决方案质量方面均优于现有的对比算法,证明了其在模糊不确定性条件下实现多目标协同优化方面的有效性和优势。引言随着经济全球化的深入和市场竞争的加剧,提升生产效率和实现绿色可持续制造已成为现代制造业面临的核心挑战(Shen, Dauzère-Pérès, & Maecker, 2023)。在此背景下,制造企业不仅需要不断优化生产流程并扩大生产能力,还需高度重视生产过程中的能耗控制。作为典型的高能耗加工行业,铝工业的电解铝生产过程既复杂又耗能巨大,这使其成为调度优化研究的重要应用场景,对于推动绿色制造具有重要的现实意义。铝电解生产过程包括熔炼、电解、精炼和铸造等多个连续阶段。如图1所示,在熔炼阶段,氧化铝与溶剂在高温下混合,以制备电解原料。随后,在电解槽中施加强电流,通过电化学反应得到液态铝。熔融铝在精炼阶段进一步提纯,最终被铸造成型。在整个生产过程中,每批铝材料都被视为一项任务,依次经历上述多个工序。然而,实际生产环境中存在诸多不确定性因素,如电解槽需要定期清洁和维护、电极磨损、电解质成分波动以及生产节奏调整等,这些因素导致每项工序的实际加工时间会在一定范围内波动,而非保持固定不变(D. Gao, Wang, & Pedrycz, 2020)。这种时间不确定性使得基于确定性时间假设的传统调度模型难以直接应用(Abdullah & Abdolrazzagh-Nezhad, 2014)。因此,能够更准确描述此类不确定性的时间表示方法显得尤为重要。其中,第二类模糊集因其能够表征不确定性的多层隶属结构而备受关注。与第一类模糊集相比,它们具有更强的表达能力,因此更适合用于描述此类复杂生产环境中的加工时间不确定性(Wei, Qiu, Lam, & Wu, 2017)。为了系统地描述和优化这一复杂的电解铝生产过程,将其抽象为柔性作业车间调度问题(FJSP)(R. Li, Gong, Lu, & Wang, 2023)。该模型将电解车间视为一个包含多台具有不同性能特性的机器的任务系统,如电解槽和精炼炉。同一任务可以在任何符合条件的机器上执行,从而提升了调度的灵活性。作为经典作业车间调度问题(JSP)的扩展,FJSP更符合现代制造系统的特点,即灵活的资源分配和分散的任务关系,已被广泛应用于制造系统、供应链和物流等领域(Türkyilmaz, Senvar, ünal, & Bulkan, 2020)。与传统JSP相比,FJSP允许任务在合适范围内的任何机器上进行处理,因此更适用于建模制造问题中灵活且分散的任务-资源关系(Song, Chen, Li, & Cao, 2023)。同时,随着制造企业的扩张和能源成本的上升,能耗已成为生产调度中不可忽视的因素。因此,多目标优化被进一步引入FJSP,其目标是在降低总能耗的同时最小化最大完成时间,从而形成多目标柔性作业车间调度问题(MOFJSP)。通过将铝电解过程建模为MOFJSP,可在统一框架内协同优化生产效率和能耗,为实际生产提供更全面的调度支持。在上述研究背景下,本文从问题层面考虑了具有第二类模糊时间的FJSP,并纳入了速度因子,以同时考虑总能耗和最大完成时间。本文提出了一种基于图嵌入机制的强化学习框架(RLFGEM),用于解决具有第二类模糊时间的多目标柔性作业车间问题(MOT2FJSP)。该框架结合了强化学习(RL)和图神经网络(GNN)的优势,为种群中的每个个体选择合适的策略,有效探索和利用解空间中的潜在信息,以获得高质量的解决方案。本文的贡献可总结如下:1)提出了一个考虑第二类模糊时间并兼顾能耗与速度的多目标柔性作业车间调度问题(MOFJSP)的混合整数线性规划(MILP)模型;2)引入了RLFGEM来解决MOT2FJSP问题;3)设计了两阶段节能策略,利用第二类模糊命题图模块并通过策略模型为每个个体选择相应的策略。本文的结构安排如下:第2节回顾相关文献;第3节阐述第二类区间模糊数的理论及其计算方法,并介绍MOT2FJSP问题及其MILP模型形式;第4节描述基于图嵌入的强化学习框架;第5节报告实验结果;第6节对研究内容进行总结并指出后续研究的方向。相关研究FJSP作为制造领域核心的组合优化问题,由于其理论和实践意义重大,早已被确认为NP难问题,因此一直有大量深入的研究开展(K. Gao et al., 2019)。已有大量研究致力于单目标FJSP,其典型目标是最小化最大完成时间(R. Chen et al., 2020, Fan et al., 2021, Sun et al., 2019)。虽然这类单目标优化研究已取得一定成果,但……第二类模糊集的理论基础模糊集是对传统集合的推广。模糊集通过隶属函数来评估元素属于某一集合的程度。第二类模糊集A~可通过公式(1)定义,其中X是模糊变量的固定域,u是主要隶属区间,uA~x,u则是隶属函数。A~=x,u,μA~(x,u)|?x∈X?u∈Jx?0,1,μA~x,u∈[0,1]区间型第二类模糊集(IT2FS)是第二类模糊数的一种简化形式,其次要隶属函数值……RLFGEM的架构该算法旨在解决MOT2FJSP问题,其核心在于提出了一种名为RLFGEM的通用框架。该框架的整体架构如图4所示,核心工作流程是通过四个模块的顺序协作来实现的:种群初始化、模糊析取图转换、针对特定问题的策略模型,以及基于问题特点的两阶段节能策略。算法的启动始于种群初始化VS(1)速度序列交换:从VS向量中随机选取一个连续块,将该块中的速度值与另一个父VS向量中对应块的速度值进行交换。(2)速度序列变异:在VS中的某个位置随机取样,将该位置的速度等级改为从分配给相应操作的机器上预定义的离散速度等级集合中随机选出的新等级。算法1实验结果与分析在本节中,将给出详细的计算结果,并对所提框架的有效性进行评估。实验是在一个包含两类模糊时间的公共测试集上进行的(J.-q. Li, Liu, Li, & Zheng, 2021)。工件数量共有6个等级,j={20,30,40,50,80,100},机器数量有5个等级,m={6,7,8,9,10},因此共形成了30组测试集。测试集中的一个目标是最大完成时间,而……结论与未来工作在本研究中,通过RLFGEM解决了MOT2FJSP问题。该框架的核心创新之处在于将操作、机器和速度序列信息编码为第二类模糊析取图。利用图神经网络提取调度问题的结构特征,并通过策略模型为种群中的每个个体自适应地生成演化策略。此外,通过引入两阶段节能机制,实现了协同优化。利益冲突声明作者声明不存在任何可能影响本文所汇报工作的已知利益冲突或个人关系。致谢本研究得到了国家自然科学基金委员会的支持,项目编号为62473182。同时还得到了甘肃省高校产业支撑计划项目(编号2024CYZC-15)、甘肃省知识产权计划项目(编号24ZSCQG045)以及兰州市科技规划项目(编号2025-3-019)的资助。本研究得到了国家自然科学基金委员会的支持,项目编号为62473182。它……