تشكل جدولة الإنتاج في البيئات التصنيعية المعقدة تحدياً حقيقياً خاصةً عند النظر في أوقات إعداد تعتمد على التسلسل، والاضطرابات العشوائية، والقيود الزمنية. على الرغم من النتائج الواعدة لتقنيات التعلم المعزز (Reinforcement Learning) في الأبحاث، إلا أن معظم الدراسات كانت تعتمد على عمليات مرجعية مبسطة، مما يحد من قدرتها على التكيف في الصناعات.
في هذا السياق، تقدم ورقة بحثية جديدة تطبيقا حقيقيا للتعلم المعزز في سيناريوهات صناعة الطلاء المستوحاة من الصناعة، مع الأخذ في الاعتبار العديد من التعقيدات العملية مثل أوقات الإعداد المعتمدة على التسلسل، وتعطلات الآلات، ومتغيرات الاستخدام.
استخدمت الورقة إطار العمل الرقمي المفتوح المصدر Digital Model Playground (DMPG)، كإطار لمحاكاة الأحداث المنفصلة، لتدريب وكلاء التعلم المعزز.
وقد تم اختبار اثنين من الخوارزميات الأساسية، وهما Deep Q-Networks وProximal Policy Optimization، مقارنة بقواعد التوزيع التقليدية، وذلك لتوضيح الجدوى وتوفير قاعدة اختبار شفافة لمزيد من الأبحاث.
أظهرت النتائج أن جدولة الإنتاج المعززة قد حققت تحسناً متوازناً عبر مؤشرات الأداء الرئيسية، مع تقديم تقنية Proximal Policy Optimization الأداء الأكثر قوة.
تكمن المساهمة الأساسية لهذه الدراسة في سد الفجوة بين البحث الأكاديمي والممارسة الصناعية من خلال تأكيد جدولة الإنتاج المعززة في سيناريو واقعي يمكن مشاركته، وتوفير إطار عمل مفتوح المصدر يمكن إعادة استخدامه لدراسات مستقبلية.