在动态制造环境中，多智能体系统必须在频繁的操作干扰下有效协调，例如机器故障、紧急作业到达和加工时间变化。现有的多智能体强化学习方法将每个干扰事件独立处理，忽视了宝贵的协调经验，这些经验可以加速未来的适应。
本文提出了一种图结构经验记忆（GSEM）框架，用于动态制造中的多智能体协调。该框架将历史协调事件编码为异构关系图，捕捉任务依赖性、机器状态和智能体间的协作模式。
当发生新的干扰时，基于图神经网络的检索机制能够识别结构相似的过去事件，从而实现经验指导的策略适应，而非从头学习。
实验表明，在动态灵活作业车间调度基准测试中，GSEM相比于最强的增强记忆基线，将完工时间缩短了4.1%-10.0%，适应时间减少了33%-38%，而在更高干扰频率下，这一优势更为明显。
消融研究和跨干扰转移实验进一步验证了图结构编码和基于相似性的检索的必要性，并展示了学习的协调模式的跨干扰泛化能力。
博主点评： 本文提出的GSEM框架利用图神经网络有效整合历史经验，显著提升了多智能体系统在动态制造环境中的适应能力。这种方法不仅减少了时间成本，还为未来的研究提供了新的视角，值得在实际应用中深入探索。