《A hybrid approach for dynamic routing planning in an automated assembly shop》Robotic and Computer-Integrated Manufacturing/20101 摘要动态作业车间作业的高度动荡环境影响着车间布局以及制造作业。由于布局变化的动态特性，在重新配置车间布局时，除了考虑材料处理和机器搬迁的成本

《Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning》Applied Soft Computing Journal/2020这篇文章使用DRL来解决带新件插入的DFJSP问题，目标为最小化总拖期，贡献如下：（1）使用在[0，1]中取值的七个通用特征表示每个重调

《A Reinforcement Learning Method for Multi-AGV Scheduling in Manufacturing》ICIT/20181 摘要这篇文章提出用强化学习求解多AGV流水车间调度问题。AGV在固定轨道上移动，在机器之间运输半成品（semi-finished product）。目标：最小化平均工件延迟和总完工时间。2 论文解读强化学习算法应用于车间调度问题

强化学习的概念：组合优化的应用：用来求解组合优化问题的方法：

算例形式如下：算例说明：第一行至少两个数字：第一个数字表示工件数、第二个数字表示机器数、第三个数字表示每道工序平均可有几台机器加工接下来每一行表示一个工件的各工序可用机器情况。。。。转换的代码：（用的时候记得换成自己的路径）import osimport sysimport numpy as npimport random#需要解决的问题#传入的path为当前文档所在路径之后的拼接路径def Ge

本文对基于分解的多目标进化算法及基于Pareto的多目标进化算法进行了详细的讲解，并使用柔性作业车间调度问题作为背景对两类算法中极具代表性的算法MOEA/D和NSGA-Ⅱ进行了复现。

主要涉及分布式进化算法的一些学习，包括分布式个体、分布式多种群等

《Learning to schedule job-shop problems:representation and policy learning using graph neural network and reinforcement learning》Internation Journal of production research/20211 摘要我们提出了一个使用图神经网络(GNN)和

《Reinforcement Learning for robotic flow shop scheduling with processing time variations》International Journal of Production Research/20211 摘要我们解决了一个机器人流水车间调度问题，其中两种零件类型在每组给定的专用机器上进行处理。单个机器人在固定轨道上移动，一

《Learning to Dispatch for Job Shop scheduling via Deep Reinforcemnet Learning》NeurIPS 20201 摘要优先调度规则（Priority dispatching rule,PDR）广泛用于求解JSSP问题，这篇文章通过端到端的深度强化学习代理来自动学习PDR。利用JSSP的析取图表示，提出了一种基于图神经网络（Gra