本發(fā)明涉及智能制造中柔性作業(yè)車間調(diào)度，具體是一種針對(duì)帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度問題的優(yōu)化方法。

背景技術(shù)：

1、隨著自動(dòng)化技術(shù)的快速發(fā)展，配備機(jī)器人的全自動(dòng)車間已成為制造業(yè)的重要發(fā)展趨勢(shì)。柔性作業(yè)車間調(diào)度問題（flexible?job?shop?scheduling?problem，fjsp）是智能生產(chǎn)系統(tǒng)的核心調(diào)度問題，帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度的擴(kuò)展問題（flexible?jobshop?scheduling?problem?with?robot?constraints，fjsp-rc），不僅需要解決工序排序和機(jī)器選擇問題，還需考慮機(jī)器人的裝卸任務(wù)調(diào)度。現(xiàn)有方法中，混合整數(shù)線性規(guī)劃（mixedinteger?linear?programming，milp）模型和約束規(guī)劃（constraint?programming，cp）模型雖能求解小規(guī)模實(shí)例，但對(duì)大規(guī)模問題效率低下。傳統(tǒng)進(jìn)化算法（evolutionaryalgorithm，ea）雖然求解效率高，但缺乏對(duì)歷史搜索信息的有效利用。在智能調(diào)度領(lǐng)域，基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)是強(qiáng)化學(xué)習(xí)（reinforcement?learning，rl）的一種具體實(shí)現(xiàn)方式。q學(xué)習(xí)是一種無(wú)模型的強(qiáng)化學(xué)習(xí)算法，它通過(guò)q值（動(dòng)作價(jià)值函數(shù)）來(lái)評(píng)估在某個(gè)狀態(tài)下采取特定動(dòng)作的長(zhǎng)期累積獎(jiǎng)勵(lì)，智能體依據(jù)q值來(lái)選擇最優(yōu)動(dòng)作，智能體是執(zhí)行決策任務(wù)的主體，以實(shí)現(xiàn)最大化累積獎(jiǎng)勵(lì)的目標(biāo)。然而基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)（q-learning）在復(fù)雜車間環(huán)境下狀態(tài)提取能力有限，與基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)相比，深度強(qiáng)化學(xué)習(xí)算法優(yōu)勢(shì)明顯，深度q網(wǎng)絡(luò)（deep?q-network，dqn）是深度強(qiáng)化學(xué)習(xí)的一種算法，dqn融合了深度學(xué)習(xí)強(qiáng)大的特征提取能力和強(qiáng)化學(xué)習(xí)的決策優(yōu)化機(jī)制，有效解決高維狀態(tài)空間帶來(lái)的挑戰(zhàn)，使智能體更精準(zhǔn)地理解環(huán)境狀態(tài)，從而做出更優(yōu)決策，這種優(yōu)勢(shì)使得dqn這種深度強(qiáng)化學(xué)習(xí)算法在車間調(diào)度領(lǐng)域逐步得到應(yīng)用。此外，現(xiàn)有方法未充分結(jié)合cp的全局搜索能力與ea的群體優(yōu)化優(yōu)勢(shì)，導(dǎo)致解的質(zhì)量和效率不足。因此，亟需一種能夠綜合cp、ea和dqn的混合算法，以高效求解帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提出一種帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度優(yōu)化方法，解決了現(xiàn)有車間調(diào)度中無(wú)法有效處理機(jī)器人約束、解空間受限及搜索效率低的問題，以達(dá)到通過(guò)優(yōu)化調(diào)度方案，有效降低機(jī)器人裝卸時(shí)間對(duì)生產(chǎn)效率的影響，提高設(shè)備利用率的目的。

2、本發(fā)明所提供的一種帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度優(yōu)化方法，其特征在于，包括以下步驟，

3、步驟1，初始化參數(shù)，設(shè)置進(jìn)化引導(dǎo)種群規(guī)模 n p1、知識(shí)驅(qū)動(dòng)種群規(guī)模 n p2和運(yùn)行總時(shí)間 t；

4、步驟2，種群初始化，隨機(jī)生成初始種群，包括進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群；

5、步驟3，種群進(jìn)化，使用個(gè)體競(jìng)爭(zhēng)策略、自我進(jìn)化和協(xié)同進(jìn)化對(duì)進(jìn)化引導(dǎo)種群進(jìn)行進(jìn)化，使用個(gè)體配對(duì)策略和dqn進(jìn)化對(duì)知識(shí)驅(qū)動(dòng)種群進(jìn)行進(jìn)化；

6、步驟4，種群更新，將進(jìn)化后的進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群組合成一個(gè)種群，利用組合后的種群對(duì)進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群進(jìn)行更新；

7、步驟5，cp輔助優(yōu)化，如果滿足優(yōu)化條件，構(gòu)造一個(gè)cp模型，將種群更新后最大完工時(shí)間最小的個(gè)體作為cp模型中的初始解，利用cp模型的全局搜索能力進(jìn)一步優(yōu)化，若不滿足優(yōu)化條件，返回步驟3，其中，優(yōu)化條件為經(jīng)過(guò)種群更新后的運(yùn)行時(shí)間等于運(yùn)行總時(shí)間 t的一半；

8、步驟6，終止條件檢查，如果滿足終止條件，輸出最終解，其中，終止條件為經(jīng)過(guò)cp輔助優(yōu)化后的運(yùn)行時(shí)間等于運(yùn)行總時(shí)間 t。

9、進(jìn)一步的，在步驟2中，種群初始化的實(shí)現(xiàn)過(guò)程為循環(huán)初始化個(gè)體，包括進(jìn)化引導(dǎo)種群通過(guò)循環(huán)從0至 n p1進(jìn)行迭代，以及知識(shí)驅(qū)動(dòng)種群通過(guò)循環(huán)從0至 n p2進(jìn)行迭代，每次迭代創(chuàng)建一個(gè)個(gè)體；個(gè)體由兩個(gè)向量構(gòu)成，分別為工序排序向量和機(jī)器選擇向量；工序排序向量初始化，工序排序向量長(zhǎng)度為總工序數(shù)量，工序排序向量中的工序在[0, n-1]范圍內(nèi)隨機(jī)生成， n是總工件數(shù)量，每個(gè)工件在工序排序向量中出現(xiàn)的次數(shù)與該工件包含的工序數(shù)量一致；機(jī)器選擇向量初始化，機(jī)器選擇向量長(zhǎng)度為總工序數(shù)量，機(jī)器選擇向量中的機(jī)器在[0, m-1]范圍內(nèi)隨機(jī)生成， m是總機(jī)器數(shù)量，若工序在所選機(jī)器上的加工時(shí)間為0，則機(jī)器選擇向量中的機(jī)器在[0, m-1]范圍內(nèi)繼續(xù)隨機(jī)生成，直到工序在所選機(jī)器上的加工時(shí)間不為0；完成個(gè)體初始化后，將生成的 n p1數(shù)量的個(gè)體添加到進(jìn)化引導(dǎo)種群中，將生成的 n p2數(shù)量的個(gè)體添加到知識(shí)驅(qū)動(dòng)種群中。

10、進(jìn)一步的，在步驟3中，個(gè)體競(jìng)爭(zhēng)策略為，根據(jù)最大完工時(shí)間對(duì)進(jìn)化引導(dǎo)種群中的個(gè)體進(jìn)行分類，將進(jìn)化引導(dǎo)種群劃分為贏家種群和輸家種群，贏家種群和輸家種群的規(guī)模為 n p/2，將進(jìn)化引導(dǎo)種群中的個(gè)體按照最大完工時(shí)間從小到大進(jìn)行排序，前 n p1/2數(shù)量的個(gè)體分配到贏家種群，后 n p1/2數(shù)量的個(gè)體分配到輸家種群；贏家種群中的每個(gè)個(gè)體隨機(jī)使用交換算子、反轉(zhuǎn)算子和重新分配算子中的一個(gè)進(jìn)行自我進(jìn)化，其中，交換算子和反轉(zhuǎn)算子應(yīng)用于工序排序向量，重新分配算子應(yīng)用于機(jī)器選擇向量；贏家種群和輸家種群通過(guò)使用交叉算子進(jìn)行協(xié)同進(jìn)化，交叉算子包括優(yōu)先工序交叉算子和均勻交叉算子，從贏家種群和輸家種群中各隨機(jī)選擇一個(gè)個(gè)體，所選擇的兩個(gè)個(gè)體的工序排序向量使用優(yōu)先工序交叉算子，機(jī)器選擇向量使用均勻交叉算子，每個(gè)個(gè)體的工序排序向量和機(jī)器選擇向量各進(jìn)行一次交叉操作，直到所有個(gè)體都完成交叉過(guò)程。

11、進(jìn)一步的，交換算子、反轉(zhuǎn)算子、重新分配算子、優(yōu)先工序交叉算子和均勻交叉算子的操作步驟如下，

12、交換算子的操作過(guò)程為，從個(gè)體的工序排序向量中隨機(jī)選擇兩個(gè)不同的位置 rand 1和位置 rand 2，交換所選擇位置 rand 1和位置 rand 2上的工序；

13、反轉(zhuǎn)算子的操作過(guò)程為，從個(gè)體的工序排序向量中隨機(jī)選擇兩個(gè)不同的位置 rand 1和位置 rand 2，位置 rand 1在位置 rand 2之前距離至少為3個(gè)工序間隔的位置，對(duì)工序排序向量中位置 rand 1和位置 rand 2之間的工序序列進(jìn)行反轉(zhuǎn)，找到反轉(zhuǎn)區(qū)間的中點(diǎn)位置( rand 1+ rand 2)?/2，逐次交換以反轉(zhuǎn)區(qū)間中點(diǎn)位置為對(duì)稱的工序；

14、重新分配算子的操作過(guò)程為，在機(jī)器選擇向量中隨機(jī)選擇一個(gè)位置，從所選位置對(duì)應(yīng)工序的可選擇的機(jī)器集合中重新隨機(jī)選擇一臺(tái)機(jī)器來(lái)替換原來(lái)的機(jī)器；

15、優(yōu)先工序交叉算子的操作過(guò)程為，獲取個(gè)體 pop 1和個(gè)體 pop 2的工序排序向量，其中工序排序向量表示為工序序列，隨機(jī)生成[1， n-1]之間的數(shù) num，n表示總工件數(shù)量，生成 num大小的工件集 i 0，并從所有工件中隨機(jī)選擇 num個(gè)不同的工件填充到工件集 i 0中，遍歷 pop 1和 pop 2工序序列的每一個(gè)位置，若都找到屬于工件集 i 0的工序，則依次將 pop 1和 pop 2中的對(duì)應(yīng)工序進(jìn)行交換；

16、均勻交叉算子的操作過(guò)程為，獲取個(gè)體 pop 1和個(gè)體 pop 2的機(jī)器選擇向量，其中機(jī)器選擇向量表示為機(jī)器序列，生成一個(gè)大小為 n的數(shù)字集 b， n表示總工序數(shù)量，數(shù)字集 b中每個(gè)位置隨機(jī)填充0或1，0和1是用于決定 pop 1和 pop 2中的機(jī)器序列對(duì)應(yīng)位置的機(jī)器是否交換的標(biāo)志，其中0代表交換，1代表不交換，進(jìn)行 n次迭代，按照從首位置到末位置的順序，依次遍歷 pop 1和 pop 2機(jī)器序列的每一個(gè)位置，并同步遍歷數(shù)字集 b中對(duì)應(yīng)位置的數(shù)字，若數(shù)字集 b當(dāng)前位置的數(shù)字為0，則將 pop 1和 pop 2中的機(jī)器序列上處于當(dāng)前遍歷位置的機(jī)器進(jìn)行交換。

17、進(jìn)一步的，在步驟3中，個(gè)體配對(duì)策略為，從知識(shí)驅(qū)動(dòng)種群中生成所有相互配對(duì)的個(gè)體對(duì)，相互配對(duì)的個(gè)體對(duì)由兩個(gè)不同的個(gè)體組成，將所有的個(gè)體對(duì)組合在一起，形成配對(duì)種群；對(duì)配對(duì)種群應(yīng)用dqn進(jìn)化，dqn根據(jù)當(dāng)前配對(duì)種群中個(gè)體對(duì)的工序排序向量和機(jī)器選擇向量組合信息來(lái)選擇使最大完工時(shí)間最小化的搜索算子，搜索算子包括交換算子、反轉(zhuǎn)算子、重新分配算子、基于作業(yè)的交叉算子、兩點(diǎn)交叉算子和多點(diǎn)交叉算子，其中，交換算子、反轉(zhuǎn)算子和基于作業(yè)的交叉算子應(yīng)用于工序排序向量，重新分配算子、兩點(diǎn)交叉算子和多點(diǎn)交叉算子應(yīng)用于機(jī)器選擇向量。

18、進(jìn)一步的，基于作業(yè)的交叉算子、兩點(diǎn)交叉算子和多點(diǎn)交叉算子的操作步驟如下，

19、基于作業(yè)的交叉算子的操作過(guò)程為，獲取個(gè)體 pop 1和個(gè)體 pop 2的工序排序向量，其中工序排序向量表示為工序序列，初始化列表 c 1和列表 c 2，列表 c 1用于存儲(chǔ)交叉后的 pop 1的工序序列，列表 c 2用于存儲(chǔ)交叉后的 pop 2的工序序列，隨機(jī)地把所有工件劃分到兩個(gè)不同的集合中，分別記為工件集 i 1和工件集 i 2，遍歷 pop 1和 pop 2工序序列的每一個(gè)位置，若 pop 1的當(dāng)前工序?qū)儆? i 1，就將該工序復(fù)制到列表 c 1的對(duì)應(yīng)位置，若 pop 2的當(dāng)前工序?qū)儆? i 2，就將該工序復(fù)制到列表 c 2的對(duì)應(yīng)位置，對(duì)于 pop 2中不屬于 i 1的工序，按照在 pop 2中的順序依次復(fù)制到列表 c 1中未被占用的位置，對(duì)于 pop 1中不屬于 i 2的工序，按照在 pop 1中的順序依次復(fù)制到列表 c 2中未被占用的位置，將列表 c 1中交叉后得到的工序序列賦值給 pop 1，將列表 c 2中交叉后得到的工序序列賦值給 pop 2；

20、兩點(diǎn)交叉算子的操作過(guò)程為，獲取個(gè)體 pop 1和個(gè)體 pop 2的機(jī)器選擇向量，其中機(jī)器選擇向量表示為機(jī)器序列，初始化列表 c 1和列表 c 2， c 1用于存儲(chǔ)交叉后的 pop 1的機(jī)器序列， c 2用于存儲(chǔ)交叉后的 pop 2的機(jī)器序列，隨機(jī)生成機(jī)器序列上的位置 rand 1和位置 rand 2，位置 rand 1在位置 rand 2之前距離至少為1個(gè)機(jī)器間隔的位置，將 pop 1中機(jī)器序列區(qū)間[ rand 1， rand 2]上的機(jī)器復(fù)制到列表 c 1中的對(duì)應(yīng)位置，將 pop 2中機(jī)器序列區(qū)間[ rand 1， rand 2]上的機(jī)器復(fù)制到列表 c 2中的對(duì)應(yīng)位置，將 pop 1中機(jī)器序列區(qū)間[0， rand 1]和[ rand 2， n-1]上的機(jī)器復(fù)制到列表 c 2中的對(duì)應(yīng)位置，將 pop 2中機(jī)器序列區(qū)間[0， rand 1]和[ rand 2， n-1]上的機(jī)器復(fù)制到列表 c 1中的對(duì)應(yīng)位置， n表示總工序數(shù)量，將列表 c 1中交叉后得到的機(jī)器序列賦值給 pop 1，將列表 c 2中交叉后得到的機(jī)器序列賦值給 pop 2；

21、多點(diǎn)交叉算子的操作過(guò)程為，獲取個(gè)體 pop 1和個(gè)體 pop 2的機(jī)器選擇向量，其中機(jī)器選擇向量表示為機(jī)器序列，隨機(jī)生成[0， n-1]之間的數(shù) num， n表示總工序數(shù)量， pop 1和 pop 2進(jìn)行 num次的機(jī)器交換，每次隨機(jī)選擇一個(gè)機(jī)器的位置，將 pop 1和 pop 2中機(jī)器序列所選位置上的機(jī)器進(jìn)行交換。

22、進(jìn)一步的，在步驟4中，種群更新的具體過(guò)程為，將進(jìn)化后的進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群組合成一個(gè)種群，對(duì)組合后的種群中的個(gè)體按照最大完工時(shí)間從小到大進(jìn)行排序；清除進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群中的所有個(gè)體；將組合后的種群中前 n p1數(shù)量的個(gè)體依次添加到進(jìn)化引導(dǎo)種群中，將組合后的種群中前 n p2數(shù)量的個(gè)體依次添加到知識(shí)驅(qū)動(dòng)種群中。

23、進(jìn)一步的，在步驟5中，cp模型包含以下約束集，

24、（1）

25、（2）

26、（3）

27、（4）

28、（5）

29、（6）

30、（7）

31、（8）

32、（9）

33、（10）

34、（11）

35、其中cp模型的變量包括， i表示工件索引； i表示所有工件的集合；表示工件 i的工序數(shù)量； j表示工序索引；表示工件 i的工序集； l表示裝載或卸載任務(wù)的索引； l表示裝載和卸載任務(wù)的集合； k表示機(jī)器索引； k表示所有機(jī)器的集合； r表示機(jī)器人索引； r表示所有機(jī)器人的集合； n表示總工件數(shù)量； n表示總工序數(shù)量； o i,j表示工件 i的第 j個(gè)工序；表示可加工工序 o i,j的機(jī)器集合；為最大完工時(shí)間的連續(xù)決策變量，為工件 i的第個(gè)工序的卸載任務(wù)的區(qū)間變量；為工序 o i,j的區(qū)間變量，為工序 o i,j在機(jī)器 k上加工的可選區(qū)間變量；為工序 o i,j的裝載或卸載任務(wù)的區(qū)間變量，當(dāng) l=1時(shí)表示裝載任務(wù)，當(dāng) l=2時(shí)表示卸載任務(wù)，為工序 o i,j在機(jī)器 k上加工的裝載或卸載任務(wù)的可選區(qū)間變量；為工序 o i,j的卸載任務(wù)的區(qū)間變量，為工序 o i,j+1的裝載任務(wù)的區(qū)間變量；為整合了工序 o i,j的裝載或卸載任務(wù)的區(qū)間變量以及在機(jī)器 k上加工的可選區(qū)間變量；為機(jī)器序列決策變量，包括分配的可選區(qū)間變量；為機(jī)器人序列決策變量，包括分配的可選區(qū)間變量；為機(jī)器序列決策變量，包括分配的可選區(qū)間變量和；為工序 o i,j的裝載任務(wù)的區(qū)間變量；為工序 o i,j的卸載任務(wù)的區(qū)間變量；約束集（1）表示目標(biāo)是最小化最大完工時(shí)間，函數(shù)返回區(qū)間變量的結(jié)束時(shí)間；

36、約束集（2）表示工序 o i,j只能在一個(gè)符合條件的機(jī)器上加工，函數(shù)表示在每個(gè)區(qū)間變量中只能選擇一個(gè)可選區(qū)間變量；

37、約束集（3）表示工序 o i,j的裝載或卸載任務(wù) l只能在一個(gè)符合條件的機(jī)器上加工，函數(shù)表示在每個(gè)區(qū)間變量中只能選擇一個(gè)可選區(qū)間變量；

38、約束集（4）表示對(duì)于工件 i的每一個(gè)工序，只有在工序 o i,j+1的前一個(gè)工序 o i,j的卸載任務(wù)完成后，工序 o i,j+1的裝載任務(wù)才能開始，函數(shù)表示在裝載任務(wù)區(qū)間變量只能在卸載任務(wù)區(qū)間變量完成后開始；

39、約束集?(5)?表示將和兩個(gè)可選區(qū)間變量按時(shí)間順序形成一個(gè)可選區(qū)間變量，函數(shù)函數(shù)表示可選區(qū)間變量涉及集合{,?}中所有當(dāng)前區(qū)間，的開始時(shí)間是集合{,?}中可選區(qū)間變量的最小開始時(shí)間，而的結(jié)束時(shí)間是集合{,?}中可選區(qū)間變量的最大結(jié)束時(shí)間；

40、約束集（6）表示一個(gè)工序只能在一臺(tái)機(jī)器上加工，函數(shù)表示工序 o i,?j存在的可選區(qū)間變量的數(shù)量；

41、約束集（7）表示同一時(shí)間機(jī)器 k只能加工一個(gè)工序，函數(shù)表示所有存在的可選區(qū)間變量不重疊；

42、約束集（8）表示同一時(shí)間機(jī)器人 r只能執(zhí)行一個(gè)裝載或卸載任務(wù)，函數(shù)表示所有存在的可選區(qū)間變量不重疊；

43、約束集（9）表示在機(jī)器 k上加工的工序必須按照順序進(jìn)行，函數(shù)所有存在的可選區(qū)間變量和彼此之間不重疊；

44、約束集（10）表示對(duì)于工件 i的每一個(gè)工序，工序 o i,j的加工開始時(shí)間不能在工序 o i,j的裝載任務(wù)結(jié)束之前，函數(shù)表示區(qū)間變量的開始時(shí)間不早于區(qū)間變量的結(jié)束時(shí)間；

45、約束集（11）表示對(duì)于工件 i的每一個(gè)工序，工序 o i,j的卸載任務(wù)開始時(shí)間不能在工序 o i,j的加工結(jié)束時(shí)間之前，函數(shù)表示區(qū)間變量的開始時(shí)間不小于區(qū)間變量的結(jié)束時(shí)間。

46、本發(fā)明所提供的一種帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度優(yōu)化方法，旨在最小化最大完工時(shí)間，與現(xiàn)有技術(shù)相比，具有以下積極效果，（1）本發(fā)明提出了一種新型混合算法，即約束規(guī)劃模型輔助的考慮深度q網(wǎng)絡(luò)的進(jìn)化算法（ea-dqn-cp），將深度q網(wǎng)絡(luò)輔助的進(jìn)化算法（ea-dqn）和約束規(guī)劃（cp）模型相結(jié)合，先利用ea-dqn高效獲取高質(zhì)量解，再借助cp模型進(jìn)一步優(yōu)化，拓展解空間，提升解的質(zhì)量，從而得到最大完工時(shí)間更小的解；其中，種群更新后作為ea-dqn的結(jié)果，cp輔助優(yōu)化后作為ea-dqn-cp的結(jié)果；

47、（2）在本發(fā)明中，分別構(gòu)建了進(jìn)化引導(dǎo)種群和知識(shí)驅(qū)動(dòng)種群，進(jìn)化引導(dǎo)種群通過(guò)個(gè)體競(jìng)爭(zhēng)、自我進(jìn)化和協(xié)同進(jìn)化，實(shí)現(xiàn)種群的整體優(yōu)化；知識(shí)驅(qū)動(dòng)種群通過(guò)個(gè)體配對(duì)和dqn進(jìn)化，降低陷入局部最優(yōu)的風(fēng)險(xiǎn)；同時(shí)，設(shè)計(jì)了6種搜索算子，綜合利用其優(yōu)勢(shì)，使獲得的解的最大完工時(shí)間最小化；

48、（3）本發(fā)明采用適用于帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度問題的cp模型，cp模型相較于milp模型，能夠更全面的探索解空間，更全面地考慮問題中的各種約束條件，更有效地處理作業(yè)車間調(diào)度的復(fù)雜關(guān)系；

49、綜上所述，本發(fā)明有效解決了帶有機(jī)器人約束的柔性作業(yè)車間調(diào)度問題。通過(guò)設(shè)計(jì)ea-dqn-cp算法，即約束規(guī)劃模型輔助的考慮深度q網(wǎng)絡(luò)的進(jìn)化算法，合理安排工件的工序順序、機(jī)器選擇以及機(jī)器人的裝卸任務(wù)順序，具有提高機(jī)器的利用率，進(jìn)而提升整個(gè)車間生產(chǎn)的資源利用效率的積極效果。