2023 年に開始される最初の記事では、2022 年のスケジューリングを解決するための強化学習に基づいた記事の概要をお届けします。これは私が博士課程の時に研究してきた方向性でもあるので、関連する動向に注目してきましたが、今回はご参考までにシェアさせていただきます 元記事の公式アカウント（スマートマニュファクチャリングとスマートスケジューリング）をフォローし、返信してください「DRLスケジューリング」を使用して取得します。
1995 年にワークショップのスケジューリング問題に強化学習が初めて使用されて以来、その後数年間、強化学習は生ぬるいままでした。主な理由は、一般的な強化学習では状態空間爆発の問題を解決できないためです。強化学習はスケジューリングの分野に参入し始めました。 、その後の数年間でその成長は爆発的に増加しました。特に2022年は少なくとも68件の関連記事が出ているのは驚異的であり、この方向性が熱いことが分かります。深層強化学習は、未知の状態での行動の予測を実現するために深層学習技術を使用する一方で、ワークショップのスケジューリングは常に未解決の古典的な問題であり、さまざまなアルゴリズムをテストするためのテストベッドでもあります深層強化学習も含まれます。
リスト
[1] Bai Y、Lv Y。再製造生産のための強化学習ベースのジョブ ショップ スケジューリング [C]。2022 IEEE 工業工学およびエンジニアリング管理に関する国際会議 (IEEM)、2022: 0246-0251。
[2] Cai JC、Lei DM、Wang J、他。分散アセンブリハイブリッドフローショップスケジューリングのための強化学習を備えた新しいシャッフルフロッグリーピングアルゴリズム[J]。International Journal of Production Research、2022 年。
[3] Cao YL、Xu ZW、Mei M、他。マルチエージェント強化学習に基づく列車再スケジュール手法[C]。第 6 回 IEEE 高度情報技術、電子および自動化制御会議 (IEEE IAEAC)、2022: 301-305。
[4] Chang J、Yu D、Hu Y 他。ランダムなジョブ到着による動的で柔軟なジョブ ショップ スケジューリングのための深層強化学習[J]。Processes、2022、10(4): 760。
[5] Chang JR、Yu D、Zhou Z、他。スマート製造現場における多目的リアルタイム柔軟なスケジューリングのための階層型強化学習[J]。マシン、2022、10(12)。
[6] Chang X、Jia XL、Fu SF、他。デジタル ツインと深層強化学習により、複雑な製品の柔軟な製造現場のリアルタイム スケジューリングが可能になりました[J]。Proceedings of the Institution of Mechanical Engineers Part B-Journal of Engineering Manufacture、2022。
[7] Chen SF、Huang ZY、Guo H F. 動的ジョブ ショップ スケジューリング問題のためのエンドツーエンドの深層学習手法[J]。マシン、2022、10(7)。
[8] Dong Z、Ren T、Weng J、他。深層強化学習ベースのアプローチによるフロー ショップ スケジューリング問題の遅延作業の最小化[J]。Applied Sciences、2022、12(5): 2366。
[9] Du Y、Li JQ、Chen XL、他。柔軟なジョブショップスケジューリング問題のための知識ベースの強化学習と分布アルゴリズムの推定[J]。Ieee Transactions on Emerging Topics in Computational Intelligence、2022 年。
[10] Du Y、Li JQ、Li CD、他。クレーン輸送とセットアップ時間に関する柔軟なジョブショップのスケジューリング問題に対する強化学習アプローチ[J]。ニューラル ネットワークと学習システムに関する Ieee トランザクション、2022 年。
[11] Elsayed EK、Elsayed AK、Eldahshan K A. スマート製造の深層強化学習ベースのジョブ ショップ スケジューリング[J]。Cmc-Computers Materials & Continua、2022、73(3): 5103-5120。
[12] Esteso A、Peidro D、Mula J、他。生産計画と制御に適用される強化学習[J]。International Journal of Production Research、2022 年。
[13] Gil CB、Lee J H. ハイブリッド フローショップ問題の高次元環境を考慮した材料スケジューリングのための深層強化学習アプローチ [J]。応用科学-バーゼル、2022、12(18)。
[14] Grumbach F、Muller A、Reusch P、他。深層強化学習に基づく動的フローショップにおける堅牢かつ安定したスケジューリング[J]。インテリジェント製造ジャーナル、2022 年。
[15] Gu WB、Li YX、Tang DB 他。リアルタイムの製造データを使用して、強化学習によってスマート ファクトリーをスケジュールします[J]。Computers & Industrial Engineering、2022、171。
[16] Hammami NEH、Lardeux B、Hadj-Alouane AB、他。Job Shop Scheduling: リアルタイムのジョブ到着に対応した継続的なスケジュール生成のための新しい DRL アプローチ [J]。IFAC-PapersOnLine、2022、55(10): 2493-2498。
[17] Hayes CF、Rădulescu R、Bargiacchi E、他。多目的強化学習と計画の実践的なガイド[J]。Autonomous Agents and Multi-Agent Systems、2022、36(1): 26。
[18] He Z、Tran KP、Thomasey S、他。Deep-Q ネットワークベースのマルチエージェント強化学習を使用した繊維製造プロセスの多目的最適化[J]。ジャーナル・オブ・マニュファクチャリング・システム、2022、62: 939-949。
[19] Jeon SW、Lee DG、Oh SC 他 リエントラント生産ラインのための強化学習を備えたシミュレーションベースのスケジューリング システムの設計と実装[J]。マシン、2022、10(12)。
[20] Jing X、Yao XF、Liu M、他。柔軟なジョブショップスケジューリングのためのグラフ畳み込みネットワークに基づくマルチエージェント強化学習[J]。Journal of Intelligent Manufacturing、2022 年。
[21] Johnson D、Chen G、Lu Y Q. ロボット組立セルにおけるリアルタイムの動的生産スケジューリングのためのマルチエージェント強化学習[J]。IEEE ロボティクスとオートメーション レター、2022、7(3): 7684-7691。
[22] Jungbluth S、Gafur N、Popper J、他。輸送業務用の分散制御ロボットマニピュレーターを使用したジョブショッププロセスの強化学習ベースのスケジューリング[C]。インテリジェント製造システム (IMS) に関する第 14 回 IFAC ワークショップ、2022: 156-162。
[23] Lee YH、Lee S. 半導体製造における生産計画内のスケジューリングに基づく深層強化学習[J]。アプリケーションを備えたエキスパート システム、2022、191: 116222。
[24] Lei K、Guo P、Wang Y、他。大規模で動的で柔軟なジョブショップ スケジューリング問題のためのエンドツーエンドの階層型強化学習フレームワーク[C]。IEEE ファジーシステム国際会議 (FUZZ-IEEE) / 計算知能に関する IEEE 世界会議 (IEEE WCCI) / ニューラルネットワークに関する国際合同会議 (IJCNN) / 進化計算に関する IEEE 会議 (IEEE CEC)、2022 年。[25] Lei
K 、Guo P、Zhao W、他。柔軟なジョブショップ スケジューリング問題のためのマルチアクション深層強化学習フレームワーク[J]。Expert Systems with Applications、2022、205: 117796。
[26] Leng JL、Wang XY、Wu SP、他。自動車製造システムにおけるスケジューリング問題を再順序付けするための多目的強化学習アプローチ[J]。国際生産研究ジャーナル、2022 年。
[27] Li HX、Gao KZ、Duan PY 他。順列フローショップ スケジューリング問題を解決するための Q ラーニングを備えた改良された人工蜂コロニー アルゴリズム [J]。Ieee Transactions on Systems Man Cybernetics-Systems、2022。
[28] Li R、Gong WY、Lu C。二目的ファジィ柔軟ジョブ ショップ スケジューリングのための強化学習ベースの RMOEA/D [J]。Expert Systems with Applications、2022、203。
[29] Li RF、Zhang XY、Jiang LL、他。船舶スケジュール最適化問題のための強化学習に基づく適応ヒューリスティック アルゴリズム[J]。海洋および沿岸管理、2022、230。
[30] Li Y、Gu W、Yuan M、他。ハイブリッドディープ Q ネットワークを使用した、輸送リソースが不十分な柔軟なジョブショップ向けのリアルタイムのデータ駆動型動的スケジューリング[J]。Robotics and Computer-Integrated Manufacturing、2022、74: 102283。
[31] Liao JL、Wu GL、Chen H、他。ACDRL: ランダムな外乱下でのエネルギー目的の列車時刻表再スケジュール問題を解決するためのアクター批判的深層強化学習アプローチ[J]。エネルギーレポート、2022、8: 1350-1357。
[32] Liu R、Piplani R、Toro C. フレキシブル ジョブ ショップの動的スケジューリングのための深層強化学習[J]。国際生産研究ジャーナル、2022: 1-21。
[33] Liu ZY、Wang Y、Liang XX 他。トラフィック管理におけるジョブ ショップ スケジューリング問題に対するグラフ ニューラル ネットワーク ベースのディープ Q ラーニング アプローチ [J]。情報科学、2022、607: 1211-1223。
[34] Long XJ、Zhang JT、Qi X 他。柔軟なジョブショップ スケジューリング問題のための強化学習に基づく自己学習人工ミツバチ コロニー アルゴリズム[J]。同時実行性と計算 - 実践と経験、2022 年、34(4)。
[35] Luo S、Zhang LX、Fan Y S. 深層強化学習による動的部分待機なし多目的柔軟ジョブ ショップのためのリアルタイム スケジューリング[J]。Ieee Transactions on Automation Science and Engineering、2022、19(4): 3020-3038。
[36] マルケサーノ MG、グイッツィ G、ポポロ V 他 深層強化学習を使用した期日制約のあるフローショップの動的スケジューリング[C]。製造モデリング、管理、制御 (MIM) に関する第 10 回 IFAC トリエンナーレ会議、2022: 2932-2937。
[37] Neves M、Neto P. 深層強化学習をユーザーの好みに応じた組立順序計画問題に適用[J]。International Journal of Advanced Manufacturing Technology、2022 年。
[38] Oh SH、Cho YI、Woo J H. 変動性の高い柔軟なジョブ ショップ スケジューリング問題に対する独立した学習者による分布強化学習[J]。Journal of Computational Design and Engineering、2022、9(4): 1157-1174。
[39] Samsonov V、Ben Hicham K、Meisen T. 製造管理における強化学習: ベースライン、課題、および今後の方法[J]。Engineering Applications of Artificial Intelligence、2022、112。
[40] Saqlain M、Ali S、Lee J Y. 製造システムにおける柔軟なジョブショップ スケジューリングのためのモンテカルロ ツリー検索アルゴリズム [J]。Flexible Services and Manufacturing Journal、2022 年。
[41] Schneckenreither M、Haeussler S、Peiro J. 製造における注文リリース計画のための平均報酬調整深層強化学習[J]。Knowledge-Based Systems、2022、247。
[42] Shao X、Kim C S. マルチレベル畳み込みニューラル ネットワークと反復ローカル検索を使用した適応ジョブ ショップ スケジューラ [J]。Ieee アクセス、2022、10: 88079-88092。
[43] Shimim FN、Whitaker B M. 動的ジョブ スケジューリング問題に対する強化学習アプローチ [C]。2022 IEEE グリーン エネルギーおよびスマート システム システム (IGESSC)、2022: 1-6。
[44] Song W、Chen X、Li Q 他 グラフ ニューラル ネットワークと深層強化学習による柔軟なジョブ ショップ スケジューリング[J]。産業情報学に関する Ieee トランザクション、2022: 1-11。
[45] トーレス AD、アンドレイアナ DS、ロルダン AO 他。インダストリー 4.0 および 5.0 フレームワークにおけるスマート製造のための深層強化学習アプローチのレビュー[J]。応用科学-バーゼル、2022、12(23)。
[46] Valet A、Altenmuller T、Waschneck B、他。深層強化学習による日和見的なメンテナンス スケジューリング[J]。製造システムジャーナル、2022、64: 518-534。
[47] Wang H、Cheng J、Liu C、他。不確実なイベントを伴う動的で柔軟なジョブショップスケジューリング問題のための多目的強化学習フレームワーク[J]。Applied Soft Computing、2022、131: 109717。
[48] Wang J、Lei DM、Cai J C. メンテナンスを伴う分散 3 段階アセンブリ スケジューリングのための強化学習を備えた適応型人工蜂コロニー [J]。Applied Soft Computing、2022、117。
[49] Wang SY、Li JX、Tang H、他。CEA-FJSP: 深層強化学習に基づく炭素排出量を意識した柔軟なジョブショップ スケジューリング[J]。環境科学のフロンティア、2022、10.
[50] Wang T、Cheng W、Zhang YH、他。RCPSP[C]の再スケジュールのための深層強化学習に基づく優先ルールの動的選択。製造モデリング、管理、制御 (MIM) に関する第 10 回 IFAC トリエンナーレ会議、2022: 2144-2149。
[51] Wang XL、Yao HP、Mai TL、他。深層強化学習は、時間に敏感なネットワークにおける待機なしのフロー スケジューリングを支援しました[C]。IEEE ワイヤレス通信およびネットワーキング会議 (IEEE WCNC)、2022: 812-817。
[52] Waubert De Puiseau C、Meyes R、Meisen TJJOI M. 強化学習ベースの生産スケジューリング システムの信頼性について: 比較調査[J]。インテリジェント製造ジャーナル、2022: 1-17。
[53] Wu GQ、Hua HJ、Niu D X。中国の炭素市場環境における深層強化学習に基づく仮想発電所の低炭素経済送電最適化[J]。再生可能および持続可能なエネルギージャーナル、2022、14(5)。
[54] Xu ZY、Chang DF、Luo T、他。深層強化学習に基づいたダブルデッキ横行クレーンのインテリジェントなスケジューリング[J]。Engineering Optimization、2022 年。
[55] Yan Q、Wang H、Wu F. 二重層 Q 学習アルゴリズムを使用した予防保守を備えたデジタルツイン対応の動的スケジューリング [J]。Computers & Operations Research、2022、144: 105823。
[56] Yan Q、Wu W、Wang H. 柔軟なメンテナンスを備えた分散フロー ショップ スケジューリングのための深層強化学習[J]。機械、2022、10(3): 210。
[57] Yang SL、Wang JY、Xu Z G。深層強化学習を使用した動的ジョブ到着による分散順列フローショップのリアルタイム スケジューリング[J]。Advanced Engineering Informatics、2022、54。
[58] Yang YY、Qian B、Hu R、他。順列フロー ショップ スケジューリング問題の深層強化学習アルゴリズム[C]。第 18 回インテリジェント コンピューティング国際会議 (ICIC)、2022: 473-483。
[59] Yu H S. 深層強化学習に基づく生鮮品物流輸送スケジューリングに関する研究[J]。Scientific Programming、2022、2022。
[60] Yun WJ、Park S、Kim J、他。自律型マルチ UAV 制御による信頼性の高い監視のための協調型マルチエージェント深層強化学習[J]。Ieee 産業情報学トランザクション、2022、18(10): 7086-7096。
[61] Zhang M、Lu Y、Hu Y 他。近傍ポリシー最適化を用いた深層強化学習によるジョブショップ製造システムの動的スケジューリング手法[J]。Sustainability、2022、14(9): 5177。
[62] Zhang Y、Zhu HH、Tang DB、他。マルチエージェント製造システムのための深層強化学習に基づく動的ジョブショップスケジューリング[J]。Robotics and Computer-Integrated Manufacturing、2022、78。
[63] Zhao YJ、Yoo JH、Lim C G. 深層強化学習を使用した負荷制御のためのリアルタイム デマンド レスポンス管理[J]。Cmc-Computers Materials & Continua、2022、73(3): 5671-5686。
[64] Zheng XY、Liang CJ、Wang Y 他。自動化されたコンテナ ターミナルにおけるマルチ AGV の動的スケジューリング: 深層強化学習アプローチ[J]。数学、2022、10(23)。
[65] Zhu HH, Tao S, Gui Y, et al. 強化学習に基づく動的ジョブショップの適応型リアルタイム スケジューリング手法に関する研究[J]. Machines, 2022, 10(11). [66]
Zhu HH、Zhang Y、Liu CC、他、混合ライン ジョブ ショップ生産のための組み合わせルールを使用した適応強化学習ベースのスケジューリング アプローチ[J]、工学における数学的問題、2022 年、2022 年 [67] Liu Fengxu、Ke
Wen Bo. 深層強化学習に基づく衣服縫製プロセスのリアルタイム動的スケジューリング [J]. Journal of Textile Science, 2022, 43(09): 41-48. [68] Luo Zihui、Jiang Chengling、Liu Liang、他.
深層強化学習に基づくインテリジェント ワークショップ スケジューリング手法に関する研究に基づく [J]. Journal of the Internet of Things、2022、6(1): 12.
レビュー
[1] Esteso A、Peidro D、Mula J、他、生産計画と制御に適用された強化学習 [J]、International Journal of Production Research、2022 年。
[2] Samsonov V、Ben Hicham K、Meisen T. 製造管理における強化学習: ベースライン、課題、および今後の方向性 (製造管理における強化学習: ベースライン、課題および展望) [J]. 人工知能のエンジニアリング アプリケーション、2022 年、 112.
[3] Torres AD、Andreiana DS、Roldan AO、他、インダストリー 4.0 および 5.0 フレームワークにおけるスマート製造のための深層強化学習アプローチのレビュー (インダストリー 4.0 および 5.0 フレームワークにおけるスマート製造のための深層強化学習アプローチのレビュー) [ J] . Applied Sciences-Basel、2022、12(23)。
[4] Waubert De Puiseau C、Meyes R、Meisen TJJOI M. 強化学習ベースの生産スケジューリング システムの信頼性について: 比較調査 [J]. Journal of Intelligent Manufacturing , 2022: 1-17.
ジョブショップのスケジュール設定
[5] Bai Y、Lv Y. 再製造生産のための強化学習ベースのジョブ ショップ スケジューリング [C]. 2022 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM)、2022: 0246-0251。
[6] Chen SF、Huang ZY、Guo H F. 動的ジョブ ショップ スケジューリング問題のためのエンドツーエンドのディープラーニング手法 [J]. Machines、2022、10(7)。
[7] Elsayed EK、Elsayed AK、Eldahshan K A. スマート製造の深層強化学習ベースのジョブ ショップ スケジューリング [J]. Cmc-Computers Materials & Continua、2022、73 (3): 5103-5120。
[8] Hammami NEH、Lardeux B、Hadj-Alouane AB、他、ジョブ ショップ スケジューリング: リアルタイムのジョブ到着に直面した継続的なスケジュール生成のための新しい DRL アプローチ (リアルタイムのワークピース到着の継続的なスケジュール生成) [J]。 IFAC-PapersOnLine、2022、55(10): 2493-2498。
[9] Jungbluth S、Gafur N、Popper J、他、輸送業務用の分散制御ロボット マニピュレーターを使用したジョブショップ プロセスの強化学習ベースのスケジューリング [C] . 14th IFAC Workshop on Intelligent Manufacturing Systems (IMS)、2022 ：156-162。
[10] Liu ZY、Wang Y、Liang XX、他、交通管理におけるジョブ ショップ スケジューリング問題に対するグラフ ニューラル ネットワークベースのディープ Q 学習アプローチ、学習方法) [J]. Information Sciences、2022、607: 1211- 1223。
[11] Shao X、Kim C S. マルチレベル畳み込みニューラル ネットワークと反復ローカル検索を使用した適応ジョブ ショップ スケジューラ (マルチレベル畳み込みニューラル ネットワークと反復ローカル検索を使用した適応ジョブ ショップ スケジューラ) [J]. IEEE Access、2022、10 : 88079-88092。
[12] Shimim FN、Whitaker B M. 動的ジョブ スケジューリング問題への強化学習アプローチ [C]. 2022 IEEE Green Energy and Smart System Systems (IGESSC)、2022: 1- 6.
[13] Zhang M, Lu Y, Hu Y, et al. 近傍ポリシー最適化による深層強化学習によるジョブショップ製造システムの動的スケジューリング手法）[J]. Sustainability, 2022, 14(9): 5177.
[14] Zhu HH、Tao S、Gui Y、他、強化学習に基づく動的ジョブショップの適応型リアルタイム スケジューリング手法に関する研究 [J ]. Machines、2022、10(11)。
[15] Zhu HH、Zhang Y、Liu CC、他「混合ライン ジョブ ショップ生産のための組み合わせルールを使用した適応強化学習ベースのスケジューリング アプローチ J]. エンジニアリングにおける数学的問題、2022 年、2022 年。
柔軟なジョブショップのスケジュール設定
[16] Chang J、Yu D、Hu Y 他、ランダムなジョブ到着による動的フレキシブル ジョブ ショップ スケジューリングのための深層強化学習 [J]. Processes、2022 、10(4): 760。
[17] Chang JR、Yu D、Zhou Z、他、スマート ショップ フロアにおける多目的リアルタイム柔軟なスケジューリングのための階層強化学習 [J] . Machines、2022、10(12)。
[18] Chang X、Jia XL、Fu SF 他、デジタル ツインと深層強化学習により、複雑な製品の柔軟な製造現場のリアルタイム スケジューリングが可能になりました [J]. Institution of Mechanical Engineers の論文集 Part B-Journal of Engineering製造、2022年。
[19] Du Y、Li JQ、Chen XL、他、知識ベースの強化学習とフレキシブル ジョブ ショップ スケジューリング問題の分布アルゴリズムの推定 [J ]. 計算知能における新たなトピックに関する Ieee トランザクション、2022 年。
[20] Du Y, Li JQ, Li CD, et al. A Reinforcement Learning Approach for Flexible Job Shop Scheduling 問題 With Crane Transportation and Setup Times (クレーン輸送と準備時間によるフレキシブル ジョブ ショップ スケジューリング問題の強化学習法) [J] . ニューラル ネットワークと学習システムに関する Ieee トランザクション、2022 年。
[21] Gu WB、Li YX、Tang DB、ほか リアルタイムの製造データを使用して、強化学習を介してスマート ファクトリーをスケジュールする (強化学習とリアルタイムの製造データに基づくインテリジェントな工場のスケジューリング) [J].インダストリアルエンジニアリング、2022、171.
[22] Jing X、Yao XF、Liu M、et al. フレキシブル ジョブ ショップ スケジューリングのためのグラフ畳み込みネットワークに基づくマルチエージェント強化学習 (フレキシブル ジョブ ショップ スケジューリングのためのグラフ畳み込みネットワークに基づくマルチエージェント強化学習) [J] . インテリジェント製造ジャーナル、2022 年。
[23] Johnson D、Chen G、Lu Y Q. ロボット組立セルにおけるリアルタイム動的生産スケジューリングのためのマルチエージェント強化学習 (ロボット組立セルにおけるリアルタイム動的生産スケジューリングのためのマルチエージェント強化学習) [J] ] . IEEE Robotics and Automation Letters、2022、7(3): 7684-7691。
[24] Lei K、Guo P、Wang Y、他、大規模で動的で柔軟なジョブショップ スケジューリングの問題層強化学習フレームワークのためのエンドツーエンドの階層型強化学習フレームワーク) [C]. ファジーに関する IEEE 国際会議システム (FUZZ-IEEE) / IEEE 計算知能世界会議 (IEEE WCCI) / ニューラル ネットワークに関する国際共同会議 (IJCNN) / 進化的計算に関する IEEE 会議 (IEEE CEC)、2022 年。
[25] Lei K、Guo P、Zhao W、他、柔軟なジョブショップ スケジューリング問題のためのマルチアクション深層強化学習フレームワーク [J]、Expert Systems with Applications、2022、205: 117796。
[26] Li R、Gong WY、Lu C. 双目的ファジー フレキシブル ジョブ ショップ スケジューリングのための強化学習ベースの RMOEA/D (強化学習 RMOEA/D に基づく双目的ファジー フレキシブル ジョブ ショップ スケジューリング) [J]. 専門家アプリケーションを備えたシステム、2022、203。
[27] Li Y、Gu W、Yuan M、他、ハイブリッドディープ Q ネットワークを使用した輸送リソースが不十分な柔軟なジョブ ショップのためのリアルタイム データ駆動型動的スケジューリング (リアルタイム データ駆動型動的スケジューリング) [J]. ロボティクスおよびコンピューター統合製造、2022、74: 102283。
[28] Liu R、Piplani R、Toro C. フレキシブル ジョブ ショップの動的スケジューリングのための深層強化学習 [J]. International Journal of Production Research、2022: 1-21 。
[29] Long XJ, Zhang JT, Qi X, et al. 柔軟なジョブショップ スケジューリング問題の強化学習に基づく自己学習人工ミツバチ コロニー アルゴリズム）[J]. Concurrency and Computation-Practice & Experience, 2022, 34(4)。
[30] Luo S、Zhang LX、Fan Y S. 深層強化学習による動的部分待機なし多目的フレキシブル ジョブ ショップのリアルタイム スケジューリング [J]. Ieee Transactions on Automation Science and Engineering、2022 年、19(4) ：3020～3038。
[31] Oh SH、Cho YI、Woo J H. 高変動問題を伴う柔軟なジョブ ショップ スケジューリング問題に対する独立学習者による分布強化学習)[J]. Journal of Computational Design and Engineering、2022、9(4): 1157 -1174。
[32] Saqlain M、Ali S、Lee J Y. 製造システムにおける柔軟なジョブ ショップ スケジューリングのためのモンテカルロ ツリー検索アルゴリズム (製造システムにおける柔軟なジョブ ショップ スケジューリングのためのモンテカルロ ツリー検索アルゴリズム) [J] . フレキシブル サービスと製造ジャーナル、2022 年。
[33] Song W、Chen X、Li Q、他、グラフ ニューラル ネットワークと深層強化学習によるフレキシブル ジョブ ショップ スケジューリング [J]、Ieee Transactions on Industrial Informatics、2022: 1-11。
[34] Wang H, Cheng J, Liu C, et al. 不確実なイベントを伴う動的フレキシブル ジョブ ショップ スケジューリング問題のための多目的強化学習フレームワーク (不確実なイベントを伴う動的フレキシブル ジョブ ショップ スケジューリング問題のための多目的強化学習フレームワーク) [ J ]. 応用ソフト コンピューティング、2022、131: 109717。
[35] Wang SY、Li JX、Tang H、他 CEA-FJSP: 深層強化学習に基づく炭素排出量を意識した柔軟なジョブショップ スケジューリング (CEA-FJSP: 深層強化学習に基づく炭素排出量を意識した柔軟なジョブショップ スケジューリング強化学習）[J]. 環境科学のフロンティア、2022、10.
[36] Xu ZY、Chang DF、Luo T、他、深層強化学習に基づくダブルデッキ横断可能クレーンのインテリジェントなスケジューリング [J]、エンジニアリング最適化、2022 年。
[37] Yan Q、Wang H、Wu F. 二重層 Q 学習アルゴリズムを使用した予防保守を備えたデジタル ツイン対応の動的スケジューリング）[J]. Computers & Operations Research、2022、144: 105823。
[38] Zhang Y、Zhu HH、Tang DB、他、マルチエージェント製造システムの深層強化学習に基づく動的ジョブ ショップ スケジューリング [J]. Robotics and Computer-Integrated Manufacturing、2022、78。
フローショップのスケジューリング
[39] Cai JC、Lei DM、Wang J、他、分散アセンブリ ハイブリッド フロー ショップ スケジューリング スキップ アルゴリズムのための強化学習を備えた新しいシャッフル カエル跳躍アルゴリズム)[J]. International Journal of Production Research、2022 年。
[40] Dong Z、Ren T、Weng J、他、深層強化学習ベースのアプローチによるフロー ショップ スケジューリング問題の遅延作業の最小化 [J]. Applied Sciences、2022、12(5): 2366。
[41] Gil CB、Lee J H. ハイブリッド フローショップ問題の高次元環境を考慮したマテリアル スケジューリングのための深層強化学習アプローチ [J]. Applied Sciences-Basel、2022、12(18)。
[42] Grumbach F、Muller A、Reusch P、他、深層強化学習に基づく動的フロー ショップにおける堅牢で安定したスケジューリング [J]. Journal of Intelligent Manufacturing、2022。
[43] Li HX、Gao KZ、Duan PY、他、順列フローショップ スケジューリング問題を解決するための Q ラーニングによる改良された人工ミツバチ コロニー アルゴリズム [J]、Ieee Transactions on Systems Man Cybernetics-Systems、2022 年。
[44] Marchesano MG、Guizzi G、Popolo V、他、深層強化学習による期日制約付きフローショップの動的スケジューリング [C]、製造モデリング、管理、制御 (MIM) に関する第 10 回 IFAC トリエンナーレ会議、2022: 2932 -2937。
[45] Yan Q、Wu W、Wang H. 柔軟なメンテナンスを備えた分散フロー ショップ スケジューリングのための深層強化学習 [J]. Machines、2022、10(3) : 210.
[46] Yang SL、Wang JY、Xu Z G. 深層強化学習を使用した動的ジョブ到着を伴う分散順列フローショップのリアルタイム スケジューリング . Advanced Engineering Informatics、2022、54。
[47] Yang YY、Qian B、Hu R、他、順列フロー ショップ スケジューリング問題の深層強化学習アルゴリズム [C]、第 18 回インテリジェント コンピューティング国際会議 (ICIC)、2022: 473-483。
[48] Luo Zihui、Jiang Chengling、Liu Liang 他、深層強化学習に基づくインテリジェント ワークショップ スケジューリング手法に関する研究 [J]. Journal of Things、2022、6(1): 12.
その他のスケジュールの問題
[49] Cao YL、Xu ZW、Mei M、他、マルチエージェント強化学習に基づくトレーニング再スケジューリング手法 [C]、第 6 回 IEEE Advanced Information Technology, Electronic and Automation Control Conference (IEEE IAEAC)、2022: 301-305 。
[50] Hayes CF、Rădulescu R、Bargiacchi E、他、多目的強化学習と計画の実践ガイド [J]、自律エージェントとマルチエージェント システム、2022、36(1): 26。
[51] He Z、Tran KP、Thomasey S、他、深Qネットワークベースのマルチエージェント強化学習Textile Manufacturingを使用した繊維製造プロセスの多目的最適化[J]. Journal of Manufacturing Systems、2022年、 62: 939-949。
[52] Jeon SW、Lee DG、Oh SC、他、リエントラント生産ラインのための強化学習を備えたシミュレーションベースのスケジューリング システムの設計と実装 [J]. Machines、2022、10(12)。
[53] Lee YH、Lee S. 半導体製造における生産計画内の深層強化学習ベースのスケジューリング [J]. Expert Systems with Applications、2022、191: 116222。
[54] Leng JL、Wang XY、Wu SP、他、自動車製造システムにおけるスケジューリング問題を再順序付けするための多目的強化学習アプローチ [J]、International Journal of Production Research、2022 年。
[55] Li RF、Zhang XY、Jiang LL、他、船舶スケジュール最適化問題の強化学習に基づく適応ヒューリスティック アルゴリズム [J]、Ocean & Coastal Management、2022、230。
[56] Liao JL、Wu GL、Chen H、他 ACDRL: ランダム外乱下でのエネルギー目的の列車時刻表再スケジュール問題を解決するためのアクター批判的深層強化学習アプローチ (ACDRL: アクター批判的深層強化学習手法は、ランダムな外乱下でのエネルギー目標列車スケジュール再スケジュール問題を解決するために使用されます) [J]. Energy Reports, 2022, 8: 1350-1357.
[57] Neves M、Neto P. ユーザー設定による組立順序計画問題に適用された深層強化学習 [J]. International Journal of Advanced Manufacturing Technology、2022 年。
[58] Schneckenreither M、Haeussler S、Peiro J. 製造における注文リリース計画のための平均報酬調整深層強化学習 [J]. Knowledge-Based Systems, 2022, 247.
[59] Valet A、Altenmuller T、Waschneck B 他、深層強化学習による日和見的メンテナンス スケジューリング [J]. Journal of Manufacturing Systems、2022、64: 518-534。
[60] Wang J、Lei DM、Cai J C. メンテナンスを伴う分散 3 段階アセンブリ スケジューリングのための強化学習を備えた適応型人工ミツバチ コロニー J]. Applied Soft Computing、2022、117。
[61] Wang T、Cheng W、Zhang YH、他、RCPSP の再スケジュールのための深層強化学習に基づく優先ルールの動的選択 [C]、製造モデリング、管理、制御 (MIM) に関する第 10 回 IFAC トリエンナーレ会議、2022: 2144年から2149年。
[62] Wang XL、Yao HP、Mai TL、他、時間に敏感なネットワークにおける深層強化学習による待機なしフロー スケジューリング (時間に敏感なネットワークにおける待機なしのフロー スケジューリングを利用した深層強化学習) [C]. IEEEワイヤレス通信およびネットワーク会議 (IEEE WCNC)、2022: 812-817。
[63] Wu GQ、Hua HJ、Niu D X. 中国の炭素市場環境における深層強化学習に基づく仮想発電所の低炭素経済的配電最適化 (スケジューリング最適化) [J]. 再生可能および持続可能なエネルギージャーナル、2022、 14(5)．
[64] Yu H S. 深層強化学習に基づく生鮮品物流輸送スケジューリングに関する研究 [J]. 科学プログラミング、2022 年、2022 年。
[65] Yun WJ、Park S、Kim J、他「自律型マルチ UAV 制御による信頼性の高い監視のための協調型マルチエージェント深層強化学習 J]. Ieee Transactions on Industrial Informatics、2022、18(10): 7086-7096。
[66] Zhao YJ、Yoo JH、Lim C G. 深層強化学習を使用した負荷制御のためのリアルタイム デマンド レスポンス管理 [J]. Cmc-Computers Materials & Continua、2022、73(3): 5671-5686。
[67] Zheng XY、Liang CJ、Wang Y、他、自動コンテナ ターミナルにおけるマルチ AGV 動的スケジューリング: 深層強化学習アプローチ (自動コンテナ ターミナルのマルチ AGV 動的スケジューリング: 深層強化学習手法) [J]。数学 、2022、10(23)。
[68] Liu Fengxu、Ke Wenbo. 深層強化学習に基づく衣類縫製プロセスのリアルタイム動的スケジューリング [J]. Journal of Textile Science、2022、43(09): 41-48。
