Integrated scheduling of multi-objective lot-streaming hybrid flowshop with AGV under dynamic environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In modern intelligent manufacturing workshops, researchers increasingly integrate the transportation of Automated Guided Vehicles (AGVs) with production scheduling to enhance overall efficiency. However, in real-world production scenarios, such integrated scheduling systems are highly susceptible to stochastic disturbances stemming from unexpected equipment failures, thereby significantly undermining operational efficiency. This study focuses on the dynamic lot-streaming hybrid flowshop scheduling problem with automated guided vehicles (DLSHFSP–AGV) under a disruption-prone environment. A multi-objective mixed-integer linear programming model that accounts for machine and AGV failures is developed. Based on this model, an event-driven partial rescheduling strategy is proposed, in which the disrupted operations and delivery tasks are classified into three categories: retained, continued, and reconstructed. On the framework of NSGA2-MDDQN (NSGA-Ⅱ- Multi-objective double-depth Q learning algorithm) algorithm, which is the basis of existing research, the dynamic encoding mechanism and multi-stage decoding strategy are innovatively introduced to realize the collaborative optimization of the machine allocation, AGV scheduling, and process sequencing of the remaining tasks after the perturbation. Experimental results demonstrate that, compared to combined scheduling rules, NSGA-II, and DDQN algorithms, the proposed method achieves improvements of 18.59%, 41.05%, and 4.26% in makespan, machine idle time, and AGV travel distance, respectively. These enhancements significantly improve the robustness and optimization performance of the scheduling scheme under dynamic perturbations, offering a reliable dynamic scheduling solution for intelligent manufacturing systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle