松间沙路的博客

清华大学王凌教授团队在《IEEE Transactions on Evolutionary Computation》发表创新研究，提出LLM驱动的协同进化模因算法框架（LLMMA），解决航空制造中可变子批次混合流水车间调度（LHJSV）难题。该研究将复杂调度问题分解为工序排序、批次分割与机器选择两个子问题，通过协同进化机制优化决策。实验表明，LLMMA框架显著优于传统方法，在解空间复杂度高达阶乘级的情况下仍保持高效性能。研究还分析了关键参数对算法效果的影响，为智能制造领域提供了新的优化思路。

从1995年最早将强化学习用于车间调度问题后，在随后的几年里，强化学习一直不温不火，最主要的原因是一般的强化学习无法解决状态空间爆炸的问题，直到2018年深度强化学习开始进军调度领域，并在随后的几年里爆发式增长，在2024年，更是惊人地出现了至少186篇相关文章，相比于2023年，在等方面，成果更加丰富和显著。总体而言，2024年DRL在调度领域的研究呈现趋势。

柔性机器人单元在柔性化和定制化制造中起着至关重要的作用。有效的调度策略可以显著减少最大完工时间，提高生产效率。作者引入了一种创新的基于深度强化学习（DRL）的端到端实时调度方法，以最小化柔性机器人单元的最大完工时间，在异构析取图模型中通过特定析取弧考虑运输因素。在方法上，DRL利用图神经网络（GNN）进行模型特征提取，并采用近端策略优化（PPO）训练调度智能体，以更好地利用运输机器人的能力，减少系统阻塞和死锁。

在 Flow Shop 问题中，如果**任意机器之间的工件加工顺序都相同**，那么该 Flow Shop 问题就称为置换（或排列）流水车间调度问题（Permutation Flow Shop Problem，PFSP）。

获取更多资讯，赶快关注公众号《智能制造与智能调度》吧！

文中只是按照不同维度详细了各种调度问题的含义。本文通过图片形式详细介绍了这些不同问题之间的关系。获取更多资讯，赶快关注公众号《智能制造与智能调度》吧！

甘特图在车间调度中发挥重要的作用。通过甘特图可以清晰地展示出每个任务的开始时间、结束时间、持续时间和进度情况等信息，同时也可以直观地反映出车间的繁忙程度和资源利用情况。本文将介绍几款功能强大、基于JavaScript的甘特图插件。

在当下的学术环境下，调度规则几乎不再可能作为主要算法发表论文，而往往是作为被比较的对象出现。但是不得不说，在实际的车间调度环境下，当合理性大于最优性时，调度规则仍然是主力军，发挥着不可替代的作用，今天就详细地梳理一下，那些简单有效但被我们鄙视的车间调度规则。

最近发现了一个比较好玩的开源项目Schlably，其是一个基于Python和深度强化学习（DRL），用于进行调度问题实验的框架。它具有可扩展的gym环境和DRL-Agent，以及用于数据生成、训练和测试的相关功能。

手机制造过程大致分为SMT、板测、主板预加工、预组、组装、整测、包装等7大工段，每个工段包含一条或多条线体，根据项目要求和线体配置的差异，项目选择线体的适配度（优先级）不同，而且不同产品的工艺流程可能存在差异，共线生产存在明显的资源共享。该问题是典型的**混合流水车间调度问题**，在满足需求准时交付的前提下，提升线体利用率。当线体故障、物料短缺、人员请假等异常情况发生时，还需及时调整生产计划。因此在具有**多产品、多工段、多线体、多目标、高动态**等特点的复杂场景下，如何通过先进、智能的决策优化算法，高质、

APS系统之所以是业务、开发、数据和算法的结合体，是因为它需要同时满足企业的业务需求、确保系统的技术稳定性和可扩展性，打好数据准确性基础以及利用算法进行优化和智能决策支持。这四个方面相互依存、相互促进，共同构成了APS系统的核心竞争力。所以要想将APS在复杂的实际生产环境下完美落地，需要既懂业务、又懂开发、还懂数据、也懂算法的综合性人才主导或不同专业协调配合，同时APS也需要不断与用户磨合达到最终稳定状态。

生产制造过程中，操作人员可能引起一些生产不稳定性，本文将主要介绍两类。

生产调度问题是实际工作中广泛存在的运筹学问题，可以描述为“**给定若干加工任务，根据已有的生产条件，对任务按照一定的生产加工步骤进行安排，并在时间上分配有限的资源，使得某项性能指标最优**”。从数学建模方面来说，生产调度问题就是，对于给定的生产任务进行建模，在满足特定的约束条件下，使得目标函数值达到最优或者近似最优。

生产调度问题是实际工作中广泛存在的运筹学问题，可以描述为“给定若干加工任务，根据已有的生产条件，对任务按照一定的生产加工步骤进行安排，并在时间上分配有限的资源，使得某项性能指标最优”。从数学建模方面来说，生产调度问题就是，对于给定的生产任务进行建模，在满足特定的约束条件下，使得目标函数值达到最优或者近似最优。生产调度问题起源于上世纪50年代，对该问题的研究具有重要的实用价值，吸引了大量国内外研究人员的关注，人们尝试从不同的科学领域去解决该问题，但是大部分车间调度问题属于NP-Hard问题（作业车间调度问题：

2024龍年开工的第一篇原创文章，给大家带来2023年基于强化学习求解调度的文章汇总（去年也分享过2022年强化学习求解车间调度文章大汇总）。在读博期间研究的也是这个方向，所以平时也一直在关注着相关动态，今天分享出来供大家参考。

P和NP问题是计算机科学中的两个重要的问题，涉及到计算问题的复杂性和可解性。这两个问题都与算法的效率和时间复杂度有关。

APS概念APS全称为Advanced planning and scheduling，译为高级计划与排程，是于20世纪90年代发展起来的一种生产管理工具。APS尽管已有30多年的历史，但是业界并没有给出固定的定义。如「百度百科」是这样定义APS的：APS高级计划与排程(Advanced Planning and Scheduling)，是解决生产排程和生产调度问题，常被称为排序问题或资源分配问题。在离散行业，APS是为解决「多工序、多资源」的优化调度问题；而流程行业，APS则是为解决「顺序优化」问题。

轴承是当代机械设备中一种重要零部件。它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度。按运动元件的摩擦性质不同，轴承可分为**滚动轴承**和**滑动轴承**两类，其中滚动轴承最为常见。滚动轴承一般由**内圈、外圈、滚动体和保持架**四部分组成，内圈的作用是与轴相配合并与轴一起旋转；外圈作用是与轴承座相配合，起支撑作用；滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间，其形状大小和数量直接影响着滚动轴承的使用性能和寿命；保持 架能使滚动体均匀分布，引导滚动体旋转起润滑作用。

023年开工的第一篇文章，给大家带来2022年基于强化学习求解调度的文章汇总。在读博期间研究的也是这个方向，所以平时也一直在关注着相关动态，今天分享出来供大家参考，文章原文关注公众号后回复“DRL调度”获取。

本篇论文作为商简智能的最新研究成果，发表于运筹学顶刊《INFORMS JOURNAL ON APPLIED ANALYTICS》，首次将深度强化学习落地于大规模制造调度场景，该先进排程项目入围国际运筹学权威机构INFORMS运筹学应用最高奖——Franz Edelman Award，并作为制造业企业技术转型典型案例被人民日报等多家媒体广泛报道。

近日有小伙伴在复现强化学习求解作业车间调度的文章代码问题时遇到一些疑惑，对于如何将车间调度问题转化为强化学习可以求解的序列决策问题文章中描述的不是很具体，导致不是很清楚怎么通过强化学习一步一步的动作选择得到调度解的。今天就通过生动形象的方式给大家讲一下目前常用的调度环境建立方法（析取图和仿真模型）的区别。

今天给大家带来一篇由西南交通大学于2022年发表在《Expert Systems With Applications》上的一篇文章《A multi-action deep reinforcement learning framework for flexible Job-shop scheduling problem》，这篇文章最大的创新就是针对柔性作业车间调度问题，如何通过强化学习解决多决策问题（一般强化学习每次只能输出一个动作，而在FJSP中存在两个决策点）。

苏州商简智能科技有限公司成立于2021年，总部位于苏州市吴中经济开发区。商简谐音熵减，意为优化结构、提升秩序。作为一个真正意义上的人工智能决策公司，商简智能依托世界领先的运筹优化算法和深度学习决策模型，致力于为制造业企业的复杂管理决策问题提供解决方案。商简智能提出的由数据驱动的供应链管理解决方案，可为企业带来收益及成本的显著改善，让每一家制造业企业拥有最优的决策能力并实现智能化升级。

最近群里的小伙伴就动态调度问题进行了激烈的讨论，这个过程当中大家也存在一些疑问，最主要的还是一些概念的辨析。希望今天可以通过这篇文章让大家对动态调度更加了解。动态调度相对静态调度而言的，首先搞明白静态调度是什么。静态调度通常具有以下特征：也就是说，在静态调度问题中，所有条件都是已知确定的，是在所有因素不改变的前提下得到的方案，但是在实际生产环境中，这几乎是无法保证的，因为动态是绝对的，静态是相对的，车间中总有一些不可预知的事件发生，导致静态调度得到的计划方案丧失可执行...

国内使用强化学习求解车间调度问题的研究起步较晚，基本是在在2000年以后，而深度强化学习求解车间调度问题更是在2019、2020年左右开始流行。今天在上一篇文章的基础上，列举了**30篇中文文献**，供大家学习参考。.........

从1995年最早将强化学习用于车间调度问题后，在随后的几年里，强化学习一直不温不火，最主要的原因是一般的强化学习无法解决状态空间爆炸的问题，直到2018年深度强化学习开始进军调度领域，并在随后的几年里爆发式增长，在2022年上半年还未结束的情况下，已有11篇甚至更多的文章发表，可见这个方向的火热。一方面深度强化学习确实利用深度学习领域技术实现了未知状态下行为的预测，另一方面车间调度一直是悬而未决的经典问题，也是检验包括深度强化学习在内的各种算法的测试床。下面是从最近几年......

框架定义  基于析取图模型的复杂车间调度问题存在两类决策点：一是需要根据工序排序规则（Job sequencing rule，JSR）对就绪任务集合中的所有工序进行优先级排序，选择最优先的工序进行加工；二是需要根据机床分派规则（Machine assignment rule，MAR），为之前选择的最优先工序从其所有可选机床集合中选择最优先的机床。在一般的作业车间调度问题中，由于机床提前确定，只存在JSR一个决策点，而在柔性作业车间调度问题中这两类决策点均存在。本文针对作业车间和柔性作业车间调度问题进行研究

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性车间调度建模系列5|扩展析取图之工序间物流周转时间车间调度建模系列6|扩展析取图之顺序不依赖准备时间车间调度建模系列7|扩展析取图之基于设备偏好的三维析取图模

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性车间调度建模系列5|扩展析取图之工序间物流周转时间车间调度建模系列6|扩展析取图之顺序不依赖准备时间车间调度建模系列7|扩展析取图之基于设备偏好的三维析取图模

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性车间调度建模系列5|扩展析取图之工序间物流周转时间车间调度建模系列6|扩展析取图之顺序不依赖准备时间车间调度建模系列7|扩展析取图之基于设备偏好的三维析取图模

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性车间调度建模系列5|扩展析取图之工序间物流周转时间车间调度建模系列6|扩展析取图之顺序不依赖准备时间（本文）完整的符号说明详见车间调度建模系列2|复杂车间调

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性车间调度建模系列5|扩展析取图之工序间物流周转时间（本文）完整的符号说明详见车间调度建模系列2|复杂车间调度问题描述。工序间物流周转时间  随着自动化物流

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示车间调度建模系列4|扩展析取图之工序相关性）（本文）完整的符号说明详见车间调度建模系列2|复杂车间调度问题描述。  经典的二维析取图模型仅表达了工艺路线决定的顺序约束，无法表达时间约束（如最早开始、最

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述车间调度建模系列3|复杂车间调度问题解的表示（本文）  在经典的作业车间调度问题的研究中，通常用析取图模型来表达问题的解，析取图模型可由三元组G（N，C，E）进行表示：其中N为所有工序节点集合（包括了虚拟的起始节点Start和终止节点End），C为

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点车间调度建模系列2|复杂车间调度问题描述（本文）  针对存在上一篇文章中特点（车间调度建模系列1|复杂车间调度问题特点）的复杂作业车间调度问题，综合考虑动态工时、动态工作日历、周转运输、外协等复杂约束，其描述如下：   NJNJNJ个工件需要在NMNMNM台机床上加工，每个工件JiJ_i

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！三维析取图模型建模系列目录复杂车间调度问题三维析取图建模系列预告车间调度建模系列1|复杂车间调度问题特点(本文)  大部分调度问题都是NP-Hard问题，根据没有免费的午餐定理（No Free Lunch），至今还没有一种算法可以在所有调度问题上都优于另一种算法，因此目前大多数研究仍然是针对某一特例进行算法性能提升并且通常采用简化的模型，或考虑较少的实际因素，导致理论研究成果与实际应用存在巨大

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！  目前大多数车间调度问题都是一些实际问题的简化，学术界更加流行的做法是对标准调度问题采用各种先进的算法求解最优解或下界，但是在实际环境中，这些简化极有可能导致最优解是不可行解（无法满足开工条件），因此实际调度车间中，调度问题往往是非常复杂的。  生产调度问题建模方法主要包括数学模型、Petri net、析取图模型和仿真模型等。由于实际生产过程调度环境的复杂性，数学模型中的假设和约束条件很难满足，Pet.

获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！文章目录端到端深度强化学习调度框架端到端深度强化学习求解状态、动作和奖励网络模型拟采用的神经网络模型训练方法实验结果训练细节结果分析  柔性作业车间调度问题是组合优化中的经典问题，也是一种真实生产环境下非常常见的组织形式。本文章针对上一篇文章中（）存在的局限性，提出一个基于三维析取图分派的端到端深度强化学习调度框架。该框架采用改进的指针网络**，根据选择的调度特征对所有待调度工序进行编码，通过注意力机制.

获取更多资讯，赶快关注上面的公众号吧！  最近不是很忙，闲来无事又一次阅读了《APS傻瓜教材》，正好最近也在开发我们自己的高级计划与排程软件APS，与我们之前的实施经历很像，感受颇多，写下来与大家分享，同时也推荐给准备推动APS落地的朋友们阅读一下，书中以故事的方式讲述了主人公在企业内推动APS时遇到的种种困难，很有趣。书籍电子版可在公众号后台发送“傻瓜教材”获取。《APS傻瓜教材》读书笔记  2014年我开始接触APS，并且一开始接触的还是复杂度非常高的军工行业，典型的多品种小批量、批产和研发混线.

获取更多资讯，赶快关注上面的公众号吧！文章目录萌芽开题闭关学习研究源码环境搭建第一篇论文-[基于深度强化学习的模糊作业车间调度问题研究](https://blog.youkuaiyun.com/hba646333407/article/details/110046802)想法成熟基于端到端深度强化学习的柔性作业车间调度问题研究基于并行深度强化学习的柔性作业车间两级调度研究写在最后  2021年5月19日，我顺利完成了博士学位论文答辩，之前我已经发布了现场答辩的视频，读博7年期间主要研究如何面向复杂作业车间进行智能.