本研究提出了一种新的离线强化学习方法，解决车间调度问题。通过将状态表示为异构图和使用可变行动空间，该方法在平衡期望奖励和模仿专家方案上表现优异。结合CQL的Q学习和熵奖励修正，离线方法在调度效果上优于在线方法，并强调多样化训练集的重要性。

该文综述深度强化学习在供应链库存、无线网络、仓库机器人及车间调度等领域的应用。研究表明，DRL在库存管理中优于传统重订购策略，DeepRAT可优化异构网络下行速率，贝叶斯深度Q网络能平衡探索与执行，RBF-DQN在连续控制中表现突出，PPO2更适应不确定需求下的供应链规划。