М.А. Казанцев1, И.А. Пиньчук2, Д.Г. Гайфулин3, Е.Е. Носкова4

1-4 Акционерное общество «Научно-производственное предприятие «Радиосвязь» (г. Красноярск, Россия)

1 mkaz@mail.ru, 2 pinchuk.ivan@yandex.ru, 3 me@dgayfulin.ru, 4 een90@mail.ru

Постановка проблемы. Задача внутрицехового оперативного планирования на производствах универсального типа (Job Shop Scheduling Problem, JSSP) является задачей комбинаторной оптимизации с неполиномиальной сложностью (NP-трудной), в которой необходимо составить очереди работ (jobs) на ограниченное число рабочих мест (machines) для выполнения операций таким образом, чтобы минимизировать длительность производственного расписания (makespan). Традиционные методы (точные алгоритмы и различные эвристики) часто оказываются недостаточно эффективными по качеству и времени получения плана при решении задач с большой размерностью исходных данных и плохо адаптируются к динамично изменяющимся производственным условиям.

Цель. Исследовать возможности применения современных методов глубокого обучения, в частности, обучения с подкреплением (reinforcement learning, RL), для автоматизации процесса планирования; сравнить планы, полученные с помощью методов глубокого обучения, с планами, сгенерированными классическими методами; оценить перспективы внедрения нейросетевых технологий на предприятии для решения задач планирования.

Результаты. Разработаны и реализованы несколько нейросетевых архитектур: модели на основе многослойных персептронов (Learning to Dispatch, L2D), графовых нейронных сетей (Graph Scheduler for Production, GraSP -RL), сетей Петри (PetriRL) и гибридная модель с элементами имитационного обучения (HybridIL). В качестве алгоритма обучения использован алгоритм Proximal Policy Optimization (PPO) с введением механизма маскировки недопустимых действий и ограничением выбора k лучших кандидатов по правилу Shortest Processing Time (SPT). Показано, что обученные агенты способны генерировать производственные планы с уменьшением времени простоев оборудования и временем работы производственной системы, сопоставимыми с планами, сформированными на основе эвристических алгоритмов. Установлено, что обученные нейросети строят производственные планы намного быстрее классических алгоритмов и методов, что важно во внутрицеховом планировании в рамках сменносуточных заданий.

Практическая значимость. Полученные результаты демо нстрируют потенциал применения RL-подходов для автоматизации планирования производственных процессов. Для повышения масштабируемости моделей, учёта реальных ограничений производства и дальнейшего повышения качества обучения необходимы дальнейшие исследования, однако разработанные методы уже могут стать основой для интеграции интеллектуальных систем планирования в промышленные решения, повышая эффективность и гибкость управления производством.

Казанцев М.А., Пиньчук И.А., Гайфулин Д.Г., Носкова Е.Е. Применение нейросетевых методов при решении задач оптимизации планирования на про изводствах универсального типа // Динамика сложных систем. 2026. Т. 20. № 1. С. 18−29. DOI: 10.18127/j19997493-202601-02

1. Garey M.R., Johnson D.S., Sethi R. The Complexity of Flowshop and Jobshop Scheduling. Mathematics of Operations Research. 1976. V. 1. № 2. P. 117–129.
2. Казанцев М.А., Пиньчук И.А., Носкова Е.Е. Планово-оптимизационный уровень развития информационной среды на радиоэлектронных производствах // Динамика сложных систем – 21 век. 2025. Т. 19. № 1. С. 14–23. https://doi.org/10.18127/j19997493202501-02 Применение нейросетевых методов при решении задач оптимизации планирования на производствах универсального типа Динамика сложных систем, т. 20, № 1, 2026 г., c. 18−29 27
3. Lv L., Zhang C., Fan J., Shen W. Deep Reinforcement Learning for Job Shop Scheduling Problems: A Comprehensive Literature Review. Knowledge-Based Systems. 2025. V. 321. № 4.
4. Waschneck B., Reichstaller A., Belzner L., Altenmüller T., Bauernhansl T., Knapp A., Kyek A. Optimization of Global Production Scheduling with Deep Reinforcement Learning. Procedia CIRP. 2018. V. 72. P. 1264–1269.
5. Rinciog A., Meyer A. Towards Standardising Reinforcement Learning Approaches for Production Scheduling Problems. Procedia CIRP. 2022. V. 107. P. 1112–1119.
6. Yamada T., Nakano R. Job-Shop Scheduling. IEE Control Engineering Series. 1997. № 55. P. 134–160.
7. Zhang C., Song W., Cao Z., Zhang J., Tan P. S., Xu C. Learning to Dispatch for Job Shop Scheduling via Deep Reinforcement Learning. 34th Conference on Neural Information Processing Systems. 2020.
8. Abdul Hameed M., Schwung A. Graph Neural Networks-Based Scheduler for Production Planning Problems Using Reinforcement Learning. Journal of Manufacturing Systems. 2023. V. 69. P. 91–102.
9. Sun H., Hao Zh., Hu Z., Lv. J., Wang C. A Rescheduling Strategy Based on Deep Reinforcement Learning for New Order Insertion. Engineering Applications of Artificial Intelligence. 2025. V. 159. 1
10. Khadivi M., Charter T., Yaghoubi M., Ahang M., Shojaeinasab A., Najjaran H. Deep Reinforcement Learning for Machine Scheduling: Methodology, the State-of-the-Art, and Future Directions. Computers & Industrial Engineering. 2025. V. 200. 1
11. Lassoued S., Schwung A. Introducing PetriRL: An Innovative Framework for JSSP Resolution Integrating Petri Nets and Event Based Reinforcement Learning. Journal of Manufacturing Systems. 2024. V. 74. P. 690–702. 1
12. Lassoued S., Baheti L., Weiß -Borkowski N., Lier S., Schwung A. Collaborative Dynamic Scheduling in a Self-Organizing Manufacturing System Using Multi-Agent Reinforcement Learning. Journal of Manufacturing Systems. 2025. V. 82. P. 405–419. 1
13. Schulman J., Wolski F., Dhariwal P., Radford A., Klimov O. Proximal Policy Optimization Algorithms. [Электронный ресурс]. OpenAI: [сайт]. [2017]. URL: https://openai.com/index/openai-baselines-ppo/ (дата обращения: 06.10.2025). 1
14. Свидетельство о государственной регистрации программы для ЭВМ № 2025682067 Российская Федерация. Программа генерации исходных данных для оптимизационных моделей производственного планирования: заявл. 08.07.2025: опубл. 20.08.2025 / М.А. Казанце в, И.А. Пиньчук, Е.Е. Носкова; заявитель Акционерное общество «Научно -производственное предприятие «Радиосвязь». 1
15. Галеев Р.Г., Капулин Д.В., Казанцев М.А. Производственная логистика приборостроительного предприятия: Учеб. пособие. Красноярск: Сибирский федеральный университет. 2021. 265 с.