این پژوهش که توسط دکتر علی سعداله، عضو هیات‌ علمی گروه مهندسی مکانیک و معاون پژوهش و فناوری دانشگاه علم و فرهنگ و با همکاری پژوهشگرانی از کشور چین در مجله معتبر Engineering Applications of Artificial Intelligence منتشر شده، نشان می‌دهد؛ استفاده از روش‌های مبتنی بر یادگیری تقویتی می‌تواند بهبود چشمگیری در بهره‌وری صنایع تولیدی ایجاد کند.

این مقاله به بررسی یک مسئله مهم در صنایع تولیدی به نام مسئله زمان‌بندی جریان کار در کارگاه‌های مونتاژ توزیع‌شده پرداخته است. این موضوع در دانشگاه و صنعت به دلیل کاربردهای گسترده آن بسیار مورد توجه است، درحالی‌که هنوز تحقیقات کمی در این زمینه انجام شده است. به همین دلیل، این مطالعه به توسعه روش‌های نوین برای حل این مسئله پرداخته است.

هدف در این مقاله، کاهش زمان کل انجام کارها برای بهبود کارایی سیستم‌های تولیدی است. سه الگوریتم تکاملی و نسخه‌های تقویت‌شده آن‌ها با روش یادگیری تقویتی توسعه‌یافته شده‌اند. در این مقاله، شش عملگر جستجوی محلی طراحی شده‌اند تا عملکرد الگوریتم‌ها بهینه شود.

سه استراتژی مختلف برای استفاده از یادگیری تقویتی طراحی شده تا این الگوریتم‌ها با ویژگی‌های مسئله تطبیق داده شوند. الگوریتم‌های پیشنهادی بر اساس ۸۱ مسئله بزرگ‌مقیاس آزمایش و کالیبره شده‌اند. نتایج این تحقیق نشان می‌دهد که این روش‌ها در کاهش زمان کل فرایندها بسیار مؤثر هستند. این روش‌ها می‌توانند در بهبود بهره‌وری صنایع تولیدی نقش مهمی ایفا کنند و کارایی آن‌ها را در زمان‌بندی فرایندها افزایش دهند.

مقاله دکتر علی سعداله عضو هیئت‌علمی گروه مهندسی مکانیک با عنوان:Modelling and scheduling distributed assembly permutation flow-shops using reinforcement learning-based evolutionary algorithms در مجله بین‌المللی با عنوان: Engineering Applications of Artificial Intelligence از انتشارات Elsevier با نمایه Web of Science (ISI)با ضریب تأثیر ۷.۵ و رده Q۱ با همکاری پژوهشگرانی از کشور چین به چاپ رسیده است.