Q学習戦略支援粒子群最適化による航空機客室ドア組立ラインのスケジューリング

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel Q-learning-based PSO for bi-objective scheduling with energy consumption, offering a benchmark for future research in sustainable manufacturing.

🏢実務担当者:Offers a scheduling optimizer and early-warning system that can reduce energy costs and mitigate supply chain disruptions in assembly lines.

航空機キャビンドア組立ラインのスケジューリング問題は、補助加工ツールの割り当て、温度に関連する工程、サプライヤーの不確実性による材料遅延などの複雑な制約を伴い、困難である。これらの課題に取り組むため、本研究では、限られた補助ツールと速度調整可能な機械を備えたバイオブジェクト分散型ハイブリッドフローショップスケジューリング問題として問題を定式化する。第一に、総納期遅れ/納期早すぎと総エネルギー消費の最小化を目的として、実際の制約を特徴付けるMILPモデルを開発し検証する。第二に、これを解くための、新しいQ学習支援戦略を備えた改良型粒子群最適化フレームワークを提案する。このアルゴリズムは、3つの重要な側面で革新性を持つ。1) 通信間隔の適応調整メカニズムを備えた2段階探索プロセスを、効率的なパレートフロンティア探索のために設計する。2) 問題固有の特徴に基づき、8つの近傍構造を開発し、対応する探索オペレータを設計して、その解法プロセスを高速化する。3) プロセス中に最適な局所探索オペレータを動的に選択するための、2つのQ学習ベースの適応的拡張を提案する。第三に、提案された拡張戦略の有効性を48のベンチマークケースで検証する。実験結果と考察は、提案アルゴリズムが最先端のアルゴリズムよりも優れていることを示している。最後に、実際の組立インスタンスに対する重要部品の早期警告スケジューリングの分析を提供する。重要部品の許容アイドル時間ウィンドウが早期警告として提供され、サプライチェーンの不安定性を回避する。実務者への注記—航空機キャビンドア組立ラインは、生産効率とエネルギー持続可能性に関連する目的に対処すべき、重要かつ複雑な製造環境を表す。本論文は、総納期早すぎ/納期遅れと総エネルギー消費が最小化されるように、様々な制約の対象となるそのスケジューリング問題をモデル化する。主要な実際的制約は、補助ツールの割り当て、温度に敏感なプロセス、およびサプライヤー起因の部品不足に関連しており、これらは実世界の生産安定性に直接影響を与える。この問題を解くために、改良型粒子群最適化アルゴリズムを提案する。この方法は、いくつかの革新性を導入する。業界由来のベンチマークに対する実験的検証は、提案された最適化アルゴリズムが、解の品質と計算効率の両方において比較対象のアルゴリズムよりも優れていることを実証している。将来の拡張としては、動的な不確実なサプライヤー納入を組み込むか、炭素排出量を最適化モデルに統合することが考えられる。このフレームワークは、電子機器組立など、持続可能性を考慮したスケジューリングを必要とする他の分散型製造システムにも一般化可能である。実務者向けに、スケジューリング後のガントチャートを調べることで重要ジョブの許容アイドル時間ウィンドウを特定する早期警告アプローチもさらに開発する。この可視化は、潜在的な混乱によって引き起こされるアイドル時間ウィンドウを強調表示し、プランナーが生産スケジュールを積極的に調整できるようにする。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The aircraft cabin door assembly line scheduling problems are challenging with complex constraints, such as the allocation of auxiliary processing tools, temperature related processes, and materials delay caused by supplier uncertainty. To tackle these challenges, this work formulates the problems as bi-objective distributed hybrid flowshop scheduling problems with limited auxiliary tools and speed-adjustment machines. First, a MILP model is developed and validated to characterize the actual constraints with the goal of minimizing total tardiness/earliness and total energy consumption. Second, an improved particle-swarm optimization framework with novel Q-Learning assistant strategies is proposed for solving it. The algorithms innovate in three key aspects. 1) A two-phase searching process with an adaptive adjustment mechanism for communication interval is designed for efficient Pareto front exploration; 2) Based on the problem-specific features, eight neighborhood structures are developed and the corresponding search operators are designed to speed up its solution process; and 3) Two Q-Learning-based adaptive enhancements are proposed to dynamically select optimal local search operators during the process. Third, the effectiveness of the proposed enhancement strategies is verified on 48 benchmark cases. The experimental results and discussions show that the proposed algorithm outperforms the state-of-the-art algorithms. Finally, we supply the analysis of critical-components’ early-warning scheduling for a real assembly instance. The permissible idle time windows for the critical-components are provided as early-warnings to avoid the instability of supply chains. Note to Practitioners—The aircraft cabin door assembly line represents a critical and complex manufacturing environment, where the production efficiency and energy sustainability related objectives should be addressed. This paper models its scheduling problem subject to various constraints such that total earliness/tardiness and total energy consumption are minimized. The key practical constraints are related to auxiliary tool allocation, temperature-sensitive processes, and supplier-induced part shortages, which directly impact real-world production stability. We propose an improved particle swarm optimizer to solve the problem. The method introduces several innovations. Experimental validation against industry-derived benchmarks demonstrates that the proposed optimizer outperforms compared algorithms in both solution quality and computational efficiency. Future extensions could incorporate dynamic uncertain supplier deliveries or integrate carbon emission into the optimization model. The framework is also generalizable to other distributed manufacturing systems requiring sustainability-aware scheduling, such as electronics assembly. For practitioners, we further develop an early-warning approach that identifies permissible idle time windows for critical jobs by examining post-scheduling Gantt charts. The visualization highlights idle time windows caused by potential disruptions, enabling planners to proactively adjust production schedules.

• semanticscholar https://doi.org/10.1109/tase.2026.3716037first seen 2026-07-31 06:31:59 · last seen 2026-09-22 04:55:38