文献：Hao Wang, Junfu Cheng, Chang Liu, Yuanyuan Zhang, Shunfang Hu, Liangyin Chen,Multi-objective reinforcement learning framework for dynamic flexible job shop scheduling problem with uncertain events,Applied Soft Computing,Volume 131,2022,109717,ISSN 1568-4946,https://doi.org/10.1016/j.asoc.2022.109717.

源码可见此处：Multi-Objective Reinforcement Learning Framework for Dynamic Flexible Job Shop Scheduling Problem with Uncertain Events | Code Ocean

1 文献简述

问题：动态多目标柔性作业车间调度问题，涉及工件插入、取消、工件的工序修改；机器增加、更换、故障6个动态事件。

目标：最小化最大完工时间（makespan）、平均机器利用率和平均工件加工延迟率。

解决方式：两个DQN网络和实时处理框架来处理每个动态事件和生成完整的调度方案，此外，采用局部搜索算法进一步优化调度结果。

2 求解框架

实时动态事件处理框架如下图所示，这篇文章采用的是重调度的框架，即首先生成一个初始解，在出现扰动事件后，针对扰动事件将剩余未加工工件进行重排的方式。对各动态事件的处理如可见原文。

注：本人觉得这种方式其实在使用DRL求解静态调度，作者只是通过他的实时动态事件处理框架来营造了一个动态的氛围，未发挥出DRL求解动态调度问题的优势。

多目标深度强化学习的框架。

这篇文章的状态、动作和奖励函数多与清华大学Shu Luo的相似甚至相同。

3 动作状态奖励函数

如状态设计如下，显而易见，有这篇文献状态设计的影子《Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning》（2020/Applied soft computing Journal/Tsinghua University/Shu Luo）

《Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning》原文内容如下：

动作设计为组合规则（FO+FT, FO+ST, FO+TT, SO+FT, SO+ST, SO+TT, TO+FT, TO+ST and TO+TT），其中，各规则的具体描述如下：

（1）工件选择规则（FO,SO,TO）：

FO：优先选择工作完成率较低但交货期早的（文中描述为工件紧急度高的，文中对工件的紧急度进行了分级，根据交货期的早晚分为1、2、3三个不同的紧急度等级）

SO：优先考虑逾期时间长和高度的紧迫感的工件

TO：随机

（2）机器选择规则（FT,TT,ST）:

FT：选择最早可加工工序的机器

ST：选择最早完成该工序加工的机器

TT：随机

其动作是其相关研究的换一种描述。

论文的创新点主要在于，实时动态事件处理框架和多目标深度强化学习的框架，其多目标深度强化学习的框架，但文中对其DRL的算法框架的理论描述相对较少，其框架的具体描述如下：

第一个DQN网络输出值表示目标奖励函数的选择，第二个DQN网络输出值表示具体的调度安排。

文中试图通过第一个DQN网络输出用于指导第二个DQN网络，以得到能到达对应目标。

4 疑惑与质疑

（1） 对于整个DRL网络框架的收敛性证明无，第一个DQN网络的输出传入第二个网络作为输入，可见两个DQN网络具有一定的相关性，然而在两个网络损失函数的计算时，分别对两个网络使用均方误差（MSE），网络间无关联。

（2）所设计的奖励函数对三个目标的指导意义是否存在。文中以三个目标为优化目标，而奖励函数为两个，是否可认为也就是优化的两个目标？以两个奖励函数随机选择的方式来优化三个目标，其优化方向是怎样的，是否会造成发散？

（3）规则中采用了随机的方式，是否会使训练具有不确定性，导致最终收敛的结果震荡很大？

（4）局部搜索的加入虽然能进一步提升解的质量，是否浪费了DRL响应优势？