随着离散制造车间的产品需求复杂变化,车间设备智能化和数字化水平提高,使得生产过程多变,工件种类增多,工件的工艺路线更加柔性化,合理的工件调度方案将有助于提高车间的生产能力。智能化物流系统的发展使得车间需要AGV小车穿梭于不同区域之间以完成工件在设备间的搬运,保障工件加工能按照调度方案进行,AGV调度方案和路径选择将影响工件加工和调度的执行。因此,离散制造车间加工设备、搬运小车等多资源的合理调度决策,对提高制造车间生产调度方案的执行率,保证产品交货期和提高制造系统整体性能,具有一定理论意义和工程应用价值。课题主要围绕考虑物料搬运的离散制造车间多资源调度问题进行研究,研究内容如下:首先,分析离散制造车间的生产流程以及生产特点,并将考虑物料搬运的离散制造车间多资源调度问题分解为多资源（加工设备和搬运小车）调度和设备间小车路径规划两个子问题,从而构建多资源调度问题的数学模型和强化学习环境。以工件最小化工件最大完工时间与小车搬运负载均衡为目标,考虑工件工艺路线和机器加工特性等约束,建立离散制造车间多资源调度数学模型。根据多资源调度数学模型中涉及到的相关参数设计强化学习的状态空间,通过多资源调度可执行动作设计强化学习的动作空间,依据数学模型的目标设计强化学习的奖励函数。以小车路径最短,路径拐弯次数最少以及小车之间无碰撞为目标,考虑车间布局等约束,建立离散制造车间多小车路径规划数学模型。根据栅格模型设计强化学习状态空间,通过车间中小车动作设计强化学习动作空间,依据多小车数学模型中的目标设计强化学习的奖励函数,为后续多资源调度算法和路径规划算法提供基础。研究基于DQN（深度强化学习）算法的离散制造车间多资源调度方法,基于多资源调度流程,分析多资源调度算法从经验池抽取调度信息并最小化输出损失的学习过程,并设计工件调度智能体和小车调度智能体实现车间多资源的调度。对调度智能体的机制进行研究,包括工件和小车调度智能体基于调度功能和数学模型目标的局部状态空间、动作空间和局部奖励机制,通过神经网络将工件和小车调度相关信息映射为权重信息并合成调度列表的决策产生过程,结合调度列表的-2)0)0)（9动作选择机制,工件与小车智能体、多资源调度算法与多小车路径规划算法的交互机制。通过离散制造车间中实际调度案例进行测试,验证本文算法的有效性。研究基于改进Q-Learning算法的多小车路径规划方法,分析多小车路径规划流程。对多小车路径规划方法进行研究,包括以人工标量场为基础,结合车间障碍物位置、小车出发点与结束点设计算法Q表格初始化方法,以-2）0)0)（9和7）8)（69）9)方法为基础结合算法当前迭代次数改进探索与利用策略,通过增加一层学习层的方法改进算法迭代公式,结合探索和利用策略及双层学习层设计动态学习率。通过路径规划测试案例对算法进行对比,验证了算法的有效性。最后结合离散制造车间实际生产需求,开发离散制造车间多资源调度原型系统。对原型系统的整体框架、各功能模块和多资源调度相关的数据库进行设计,采用Python、Py Qt、SQLite数据库对原型系统进行开发,包括登录模块、基础信息管理模块以及多资源调度模块的功能实现,从而帮助离散制造车间生产调度计划人员进行决策。