隨著資訊時代的不斷髮展，排程在大多數的製造業、服務業及存在資訊處理需求的行業扮演著
愈發重要
的角色。
文章來源
本文引自：《智慧排程》（作者：李新宇， 張利平， 牟健慧），由清華大學出版社「智造苑」原創首發，數字化企業經授權釋出。
排程的作用
排程是一個複雜的決策過程，它透過將一段時間內的特定資源分配給特定任務，以期實現一個或多個目標的最佳化。
資源的形式多種多樣。對於製造業而言，資源主要指的是生產資源，可表現為車間裡的機器、加工所用模具、刀具等；對於服務業而言，資源可以表現為機場的跑道、建築場所中的施工單位、地產開發過程中的土地資源、醫院內的手術室等。任務的形式同樣種類繁多，可以是工廠內的一個加工操作、飛機的起飛和到達、建築工地內的一個專案、某位病患的一臺手術等。最佳化目標包含多種形式，如最小化最後一個任務的完成時間、最小化成本、最小化任務拖期等。
隨著資訊時代的不斷髮展，
排程在大多數的製造業、服務業及存在資訊處理需求的行業扮演著愈發重要的角色。
以汽車流水生產線為例，世界第一條大規模汽車流水生產線由美國福特汽車公司於1913年推出，透過對裝配過程進行合理分工，極大地提升了工廠生產效率。整個汽車生產流程由最初的傳統“全能型員工”流程轉變為採用傳送帶供應的流水線生產模式，使一臺T型福特汽車的組裝耗時縮短50%，開創了新的、高效的汽車製造流程，推動福特獲得了重大的成功。時至今日，豐田汽車依靠以成本控制為核心、計劃管控為手段、消除一切無效勞動和浪費為目標的精益生產模式，
在全球汽車市場的利潤率僅3%~6%時，豐田汽車2019年利潤率仍然保持在9。2%。
排程對於流程工業的發展和進步同樣具有重要意義。
石油化工是典型的流程工業，其生產裝置眾多，如何在既定生產計劃下，根據物料平衡和實時的物料性質制定生產資源調配時間序列和裝置操作條件是企業穩定生產和實現效益最大化的必要條件。
經過數十年的發展，我國已成為世界上門類最齊全、規模最大的製造業大國，但普遍存在生產效率低、能耗物耗高、安全環保問題突出等現象。
其核心原因之一是缺乏實現生產工藝最佳化和全流程整體執行最佳化的高效排程方法。
此外，我國的“中國製造2025”同樣強調了製造業在國民經濟中的主體地位，將智慧製造作為主攻方向。
1）製造業中的排程
［1］
製造業是國民經濟的主體，是立國之本、興國之器、強國之基。製造業是指利用某種資源（含物料、能源、裝置、設施、工具、資金、技術、資訊和人力等），按照市場要求，透過製造過程，轉化為可供人們使用和利用的工具、工業品與生活消費產品的行業。合理的排程方案能夠有效提高製造業的生產效率，實現資源利用的最大化。我國為了製造業的轉型升級曾花費數十億美元引進和開發了製造資源計劃（MRP Ⅱ）、企業資源規劃（ERP）等軟體，但絕大多數沒有得到很好的使用，主要原因之一是“生產作業計劃”這個技術瓶頸沒有得到突破。車間內的生產計劃和排程方案仍採用傳統的經驗和人工方法，導致工業軟體的使用與企業加工現狀出現斷層（見圖1）。因此，智慧排程技術不但要在錯綜複雜的約束條件中找到可行方案，還需在難以計數的可行方案中找到滿足最佳化目標的較優生產作業計劃，從而提高企業的生產效益。
圖1 製造業資訊流圖［1］
2）服務業中的排程
［1］
服務業包括交通、資訊、醫療、餐飲、銀行等多個行業。作為第三產業，服務業具有覆蓋面廣、內容綜合性高、分散性大等特點，更加需要智慧排程技術對場地、資源、人員等進行統一協調與管理。服務業中的排程主要集中在各種服務行業中的排班、排隊等問題，其目標是追求效率最高、顧客滿意度最大化等。圖2展現了服務業中的資訊流。
圖
2
服務業資訊流圖
［1］
新中國成立後，經過70多年的發展，我國工業成功實現了由小到大、由弱到強的歷史大跨越，使我國由一個貧窮落後的農業國成長為世界第一工業製造大國。從21世紀初開始，我國正在逐步由製造大國向製造強國的方向轉變。在排程及相關學科的支援下，製造業基本完成了現代化轉型升級，正在向著數字化、網路化、智慧化的目標不斷前進。在未來，智慧排程仍將在製造業和服務業等領域發揮著積極的作用，激發行業的創新驅動力，推動我國快速發展為製造強國。
排程的發展趨勢
市場需求和科技進步會催生新的生產方式，而新的生產方式又會影響製造系統的功能特徵和生產組織模式。使用者對產品的多樣化、個性化需求，使得生產方式已由傳統的大批次生產向大規模個性化定製生產發展。目前，工業4。0正給生產技術和生產組織模式帶來變革和創新，
一些先進計算機與通訊技術（如物聯網、雲計算、大資料、邊緣計算等）的突破使得製造業變得更加柔性、高效和智慧
［2］
。
精益生產、敏捷製造、可重構製造、雲製造、智慧製造等先進生產模式得到了飛速發展與推廣
［3］
。
有效的排程是生產環節中的一個關鍵問題，它可以減少相應任務的處理時間，提高資源利用率，從而實現企業利潤的最大化
［4］
。隨著市場需求和新技術驅動下生產模式的變化，與之相適配的排程模式也必然要發生相應的變化。未來排程技術將朝著自適應自組織排程、大資料驅動排程、協同排程（供應鏈協同排程、雲邊協同排程、人機協同排程）以及基於數字孿生的排程等方向發展
［5］
。
1）自適應自組織排程
隨著資訊與通訊技術的進步，工業生產逐步由集中式控制向分散式控制轉變
［6-7］
。分散式控制提高了生產系統的柔性和敏捷性，生產系統中的每個資源都具有感知、分析、推理、溝通和執行的能力。在自適應自組織排程中，把整個分散式控制生產系統看作一個多智慧體系統，每個資源就是其中的一個智慧體，它可以根據部分資訊和區域性目標做出決策。目前，為了獲得一個全域性目標較優的排程方案，常用基於拍賣機制的協商策略來平衡智慧體之間的區域性目標衝突
［8］
。
2）大資料驅動排程
物聯網技術在現代工業的應用增加了工業資料的數量和更新速度，生產過程中搜集到的實時資料包含大量有用資訊，可以為後期排程方案的制定提供有益幫助
［9］
。這使得資料探勘在智慧製造中所起的作用越來越重要，大資料分析逐漸成為最佳化生產系統管理的關鍵技術和主要方法
［10］
。2020年，中國工程院釋出的《全球工程前沿》將“基於大資料的智慧製造系統生產排程技術”遴選為機械與運載工程領域的Top 10 工程開發前沿之一。在大資料驅動排程中，往往先基於歷史資料，不斷產生新的離線挖掘排程演算法，再用這些演算法更新演算法庫，最後根據生產系統的實時資料為使用者推薦最佳排程方法
［11］
。
3）協同排程
供應鏈協同排程。
在產品同質化問題突出的時代，市場競爭日趨激烈，使用者對產品的多樣化、個性化需求也不斷增加。然而由於裝置、原材料和勞動力成本激增以及供應鏈各環節資訊的不對稱，傳統供應鏈管理面臨著高成本、長週期、低質量和高風險的挑戰。物聯網、區塊鏈等技術的發展加速了供應鏈各環節（涵蓋供應、生產、銷售等環節）的資訊數字化、共享化程序，為供應鏈協同排程技術的實現提供了技術支撐和保證
［12］
。供應鏈協同排程在供應鏈精益化、綠色化、全球化、智慧化過程中起著至關重要的作用
［13］
。
雲邊協同排程。
物聯網技術的進步給分散式製造企業帶來了全新的挑戰，如更低的延遲要求、不間斷的服務需求和可靠的安全保障等
［14］
。當前的難點在於決策中心位於雲端，排程系統和製造資源之間的遠端連線會帶來延時和不安全因素；雖然以邊緣計算為代表的新興技術手段在一定程度上提高了工廠（邊緣端）的排程水平，但受限於邊緣端的資源規模和計算能力，排程結果的質量不高
［15］
。為了提高個性化市場需求背景下生產系統的響應速度和全域性最佳化能力，雲邊協同排程的研究十分必要。
人機協同排程。
智慧製造系統是一個集人、資訊和物理為一體的生產系統，它的不確定性和複雜程度都非常高，傳統的排程方法難以實現即時響應
［16］
。新一代人工智慧技術的發展，使人機之間的智慧協作成為現實，機器可以根據自身的感知、分析為生產系統的排程運營提供建議
［17］
。未來人與智慧機器在物理、資訊、決策等多個方面的互動會越來越頻繁，人機協同排程的應用前景非常廣闊。
4）基於數字孿生的排程
在現實生產場景中，一些動態事件和擾動時常發生，現有動態排程方法的響應速度和穩定性已無法滿足智慧車間的魯棒性需求
［18］
。基於數字孿生的排程技術在新一代資訊科技和製造技術驅動下，透過物理車間與虛擬車間的雙向對映與實時互動，形成真實與虛擬共生的協同最佳化網路。物理車間主動感知當前生產狀況；虛擬車間透過自組織、自學習、自模擬等方式進行生產狀態分析、排程方案調整和決策評估。透過這種方式，可以立即鎖定異常範圍，並在短時間內提供出合理高效的應對措施
［19］
。基於數字孿生的排程將很快成為排程領域的一個新的研究熱點。
參考文獻
［1］ PINEDO M。 排程： 原理演算法和系統［M］。 張智海， 譯。 北京： 清華大學出版社， 2007。
［2］ ROSSIT D A， TOHME F， FRUTOS M。 Industry 4。0： Smart Scheduling［J］。 International Journal of Production Research， 2019， 57（12）： 3802-3813。
［3］ ESMAELIAN B， BEHDAD S， WANG B。 The Evolution and Future of Manufacturing： A Review［J］。 Journal of Manufacturing Systems， 2016， 39： 79-100。
［4］ 潘全科， 高亮， 李新宇。 流水車間排程及其最佳化演算法［M］。 武漢： 華中科技大學出版社， 2013。
［5］ JIANG Z Q， YUAN S， MA J， et al。 The Evolution of Production Scheduling from Industry 3。0 through Industry 4。0［J］。 International Journal of Production Research， 2021， 43： 1-21。
［6］ DOLGUI A， IVANOV D， SETHI S P， et al。 Scheduling in Production， Supply Chain and Industry 4。0 Systems by Optimal Control： Fundamentals， State-of-the-Art and Applications［J］。 International Journal of Production Research， 2019， 57： 411-432。
［7］ MLADINEO M， CELAR S， CELENT L， et al。 Selecting Manufacturing Partners in Push and Pull-Type Smart Collaborative Networks［J］。 Advanced Engineering Informatics， 2018， 38： 291-305。
［8］ LANG F， FINK A， BRANDT T。 Design of Automated Negotiation Mechanisms for Decentralized Heterogeneous Machine Scheduling［J］。 European Journal of Operational Research， 2016， 248（1）： 192-203。
［9］ ROSSIT D A， TOHME F， FRUTOS M。 A Data-Driven Scheduling Approach to Smart Manufacturing［J］。 Journal of Industrial Information Integration， 2019， 15： 69-79。
［10］ DIAS L S， LERAPETRITOU M G。 Data-Driven Feasibility Analysis for the Integration of Planning and Scheduling Problems［J］。 Optimization and Engineering， 2019， 20（4）： 1029-1066。
［10］ KONG W， QIAO F， WU Q。 Real-Manufacturing-Oriented Big Data Analysis and Data Value Evaluation with Domain Knowledge［J］。 Computational Statistics， 2020， 35（2）： 515-538。
［12］ DOLGUI A， IVANOV D， POTRYASAEV S， et al。 Blockchain-Oriented Dynamic Modelling of Smart Contract Design and Execution in the Supply Chain［J］。 International Journal of Production Research， 2020， 58（7）： 2184-2199。
［13］ IVANOV D， DOLGUI A。 A Digital Supply Chain Twin for Managing the Disruption Risks and Resilience in the Era of Industry 4。0［J］。 Production Planning & Control， 2020， 24： 1-14。
［14］ CHIANG M， ZHANG T。 Fog and IoT： An Overview of Research Opportunities［J］。 IEEE Internet of Things Journal， 2016， 3（6）： 854-864。
［15］ JIANG Z， JIN Y， E M C， et al。 Distributed Dynamic Scheduling for Cyber-Physical Production Systems based on a Multi-Agent System［J］。 IEEE Access， 2017， 6： 1855-1869。
［16］ ZHOU J， YAO X， LIN Y， et al。 An Adaptive Multi-Population Differential Artificial Bee Colony Algorithm for Many-Objective Service Composition in Cloud Manufacturing［J］。 Information Sciences， 2018， 456： 50-82。
［17］ RAESSA M， CHEN J C Y， WAN W， et al。 Human-in-the-Loop Robotic Manipulation Planning for Collaborative Assembly［J］。 IEEE Transactions on Automation Science and Engineering， 2020， 17（4）： 1800-1813。
［18］ TAO F， ZHANG H， LIU A， et al。 Digital Twin in Industry： State-of-the-Art［J］。 IEEE Transactions on Industrial Informatics， 2018， 15（4）： 2405-2015。
［19］ AGOSTINO I R S， BRODA E， FRAZZON E M， et al。 Using a Digital Twin for Production Planning and Control in Industry 4。0［C］。 In： Scheduling in Industry 4。0 and Cloud Manufacturing。 Cham： Springer， 2020： 39-60。
炒股開戶享福利，入金抽188元紅包，100%中獎！
開啟App看更多精彩內容
