Q-learning based feedback optimization for low-carbon type-2 fuzzy flexible job shop scheduling

日本語

本論文は、低炭素を目的としたフレキシブルジョブショップスケジューリング問題に、Q学習を用いたフィードバック最適化手法を提案する。タイプ2ファジィ集合により不確実性を扱い、エネルギー消費と炭素排出を削減するスケジューリングを実現する。

English

This paper proposes a Q-learning-based feedback optimization method for low-carbon flexible job shop scheduling. It uses type-2 fuzzy sets to handle uncertainty and optimizes for reduced energy consumption and carbon emissions.

日本のGX文脈において

日本の製造業では、省エネとCO2削減が急務であり、本手法は生産スケジューリング段階での低炭素化に寄与する。特に、不確実性下での最適化は、日本の多品種変量生産に応用可能。

In the global GX context

Globally, this work demonstrates how reinforcement learning can be applied to production scheduling for carbon reduction, aligning with Industry 4.0 and sustainable manufacturing trends. It offers a pathway for integrating AI into operational decarbonization.