A generative algorithm for topological design in facility layout planning via guided discrete diffusion

In the landscape of Industry 5.0, the necessity for rapid reconfiguration has turned Facility Layout Planning (FLP) into a strategic driver for operational responsiveness. However, a major bottleneck remains: traditional FLP treats the network topology as a fixed input rather than a dynamic design variable. Because conventional tools rely on local optimizations and rigid templates, they lack the capability to effectively navigate the vast range of network configurations required by today’s dynamic production environments. To bridge this gap, this work introduces a Discrete Denoising Diffusion Probabilistic Model (D3PM) specifically tailored for the synthesis of functional material flow patterns. The proposed approach integrates a Graph Transformer backbone with Classifier-Free Guidance (CFG) to bias the sampling trajectory toward optimal operational regions, aiming to maximize throughput and minimize energy consumption. Furthermore, to ensure structural integrity, the architecture employs a two-stage validation process: a Strict Projector keeps the generation within the feasible design space during inference, while a Logit-Guided Repair mechanism acts as a post-processing step to correct any remaining local or global topological violations. This dual approach ensures functional validity and engineering compliance while preserving generative diversity. The developed framework is applied across four distinct configuration typologies: Open, Closed, Input-Only, and Output-Only systems. Results demonstrate the model’s ability to effectively decouple structural validity from performance, generating novel layouts that outperform unconditional synthesis. Specifically, a detailed analysis of Open Systems reveals a significant performance improvement compared to the baseline. Finally, a targeted study defines the model’s sensitivity and operational limits in response to the parameter variations.

Nel paradigma dell’Industria 5.0, la necessità di una rapida riconfigurazione ha reso la Pianificazione del Layout degli Impianti (FLP) un fattore strategico determinante per la reattività operativa. Tuttavia, un limite fondamentale deriva dal considerare la topologia delle connessioni un input statico, anziché una variabile di progetto dinamica. L’affidamento degli strumenti convenzionali a ottimizzazioni locali e modelli rigidi impedisce infatti un’esplorazione efficace dell’ampio spettro di configurazioni di rete richieste dai moderni sistemi di produzione flessibile. In risposta a tali ciriticità, il presente lavoro introduce un Discrete Denoising Diffusion Probabilistic Model (D3PM), specificamente formulato per la generazione di schemi logici per il trasporto dei materiali. L’approccio proposto integra un’architettura Graph Transformer con la Classifier-Free Guidance (CFG) al fine di orientare la traiettoria di campionamento verso regioni operative ottimali, massimizzando la produttività e minimizzando il consumo energetico. Per garantire l’integrità strutturale, il sistema adotta un processo di validazione a due fasi: uno Strict Projector vincola la generazione allo spazio di progettazione ammissibile durante l’inferenza, mentre un meccanismo di Logit-Guided Repair corregge in post-elaborazione. Tale duplice approccio assicura la validità funzionale e la conformità ingegneristica, preservando al contempo la diversità generativa. L’architettura sviluppata è stata applicata a quattro distinte tipologie di sistema: Open, Closed, Input-Only e Output-Only. I risultati dimostrano la capacità del modello di scindere efficacemente la validità strutturale dalle prestazioni, generando layout innovativi che superano i risultati della sintesi non condizionata. Nello specifico, un’analisi dettagliata dei sistemi Open rivela un significativo incremento prestazionale rispetto alla generazione randomica. Infine, uno studio di sensibilità ha permesso di caratterizzare i limiti operativi del modello in risposta alle variazioni dei parametri di progetto.