تواجه أنظمة التصنيع الهجينة تحديات هائلة بسبب الطلبات الديناميكية التي تتغير بشكل متكرر، مما يؤثر على الجدولة الفعالة والتواصل بين المهام. في ورقة بحثية جديدة تم نشرها على arXiv، تم تقديم إطار عمل مبتكر لتعلم التعزيز يعتمد على نافذة انزلاقية (SWRL) لحل مشكلة جدولة التدفق الديناميكي في مصانع تجميع المنتجات المتعددة.

تتناول هذه الورقة القيود المعقدة لتجميع المنتجات المتعددة وتعرض النظام كنموذج عملية قرار ماركوف القائم على الرسوم البيانية، مما يعكس الهيكل الثنائي لعملية التجميع. يكشف هذا النموذج عن ديناميكيات الاختناقات ويعالج تحديات المكافآت القليلة الناتجة عن هذه الديناميكيات.

ولحل هذه التحديات، تم دمج آلية تصفية تعتمد على نافذة انزلاقية، تتيح التركيز على العمليات الحاسمة للتجميع، وتوفير شبكة معالجة رسومية تتتبع التحولات في الاختناقات عبر حالات القرار المتتالية. إضافةً إلى ذلك، يتم استخدام وحدة تخطيط ديناميكية تتكيف مع تغييرات الفضاء العمل.

أظهرت التجارب التي أجريت مع حالة واقعية من أحد مصنعي الأجهزة المنزلية أن SWRL يحقق تحسينات ملحوظة في تقليل التأخيرات مقارنة بقواعد الجدولة التقليدية وأساليب تعلم التعزيز العميقة الأخرى، مما يظهر قوة هذا النموذج في بيئات تصنيع متنوعة ومعقدة.

ما رأيكم في استخدام الذكاء الاصطناعي لتحسين عمليات التصنيع؟ شاركونا آراءكم في التعليقات!