图知识强化学习在柔性作业车间调度中的应用

李国林¹，张临俪²，尹德斌³，李德伟²

（1. 华中科技大学 机械科学与工程学院，武汉 430007；2. 上海交通大学 自动化与感知学院，上海 200240；3. 美的集团智能制造研究院，广东佛山 528311） 

摘要：柔性作业车间调度问题（FJSP）是一类经典的NP难组合优化问题，其目标是在满足工序优先级与资源约束的前提下，将作业序列中的每道工序分配到最合适的机器上。传统启发式与规则方法常因多关联结构特性（如工序-机器的可变映射关系）导致系统复杂性升高，难以实现精确的状态表征与最优决策。针对这些局限性，本文提出一种新颖的层次化图知识强化学习框架，通过图神经网络架构显式捕捉工序与机器间的关联关系。该层次化图结构能够全面编码FJSP实例，为学习调度状态与动作的表征奠定基础。在此基础上，我们构建了由环境模块和决策模块组成的双分支图知识强化学习（GKRL）模型，用以指导智能体在每个决策点选择最优动作。此外，通过引入基于图的领域知识与定制化奖励信号，有效地增强了模型的学习效率与挖掘能力。数值实验结果表明，所提方法在复杂不确定环境下能有效地最小化最大完工时间并提升调度质量。

关键词：图神经网络，强化学习，知识图谱，柔性作业车间调度，组合优化

扫二维码浏览全文 

Cite this article

Li, G., Zhang, L., Yin, D. et al. Graph-Based Knowledge Reinforcement Learning for Flexible Job-Shop Scheduling. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2863-z