在小批量定制化的生产模式下,柔性车间作业排程对工厂的产能起到决定性作用。经典的数学方法缺乏可扩展性,基于演化算法的新方法代价高昂,依赖人工排程又容易出错,因此本工作设计了一种基于多智能体深度强化学习算法的柔性车间作业排程系统,以适应更广泛的大规模现实应用场景。具体工作如下:1.本工作将柔性车间作业排程形式化为多智能体马尔科夫决策,将车间中并行工作的设备抽象为智能体,以此来刻画柔性车间作业排程过程。从而,本工作建立了使用强化学习智能体和车间仿真环境交互来求解柔性车间作业排程问题的算法框架。2.本工作针对柔性车间作业排程问题中,排程解优化困难,智能体数量多,作业关系复杂的求解难点,分别设计基于独立学习,平均场和图神经网络的多智能体深度强化学习决策算法。其中,独立学习算法设计并实现了将两种主流单智能体深度方法扩展到柔性车间作业排程问题的有效算法框架,多分类平均场算法借助平均场理论和设备的自动聚类算法加强了智能体的协作能力,图神经网络算法通过学习问题中作业之间的关系和订单的重要性提高了智能体从不同订单的作业中作出选择的能力。本工作在大量实验中验证了方法的高效性和有效性。3.以马尔科夫决策建模和基于强化学习的算法为核心技术,本工作面向制造业从业者设计并提出了一个通用的柔性车间作业排程软件系统,该系统通过分离重计算模块形成独立的求解器子系统,具有高响应和可扩展的特性,同时为研究者们提供一个能做更为深入算法研究的开放式平台。