一种强化学习增强的多目标文化算法用于面向工业5.0的多目标柔性作业车间调度

带有工人灵活性的柔性作业车间调度问题（FJSP）因其计算复杂性及在生产过程中的重要性，在即将到来的工业5.0时代受到广泛关注。通常假设每台机器在任意时间由一名工人操作；因此，车间管理者需要决定机器和工人的最有效分配方案。然而，由于机器运行条件的不稳定和工人的学习效应，生产环境的波动导致加工时间具有变量性和不确定性。同时，还需在满足生产效率的同时平衡工人的工作负荷。因此，本文研究了一种带有工人学习效应和模糊加工时间的双资源约束FJSP（F-DRCFJSP-WL），以同时最小化完工时间、机器总负荷和最大工人负荷。随后，提出了基于分解的强化学习增强多目标文化算法（RL-MOMA/D）以解决F-DRCFJSP-WL。在RL-MOMA/D中，Q学习被整合至文化算法中以执行变邻域搜索，进一步加强算法的开发能力。最后，通过大量测试实例和飞机检修车间的案例研究验证了所提方法的有效性和优越性。