【计划排程】工业互联网正确打开方式系列（十三）：排程调度优化
工业互联网正确打开方式系列（十三）：排程调度优化
工业互联网正确打开方式系列（一）：RPA机器人流程自动化
工业互联网正确打开方式系列（二）：AI产品经理
工业互联网正确打开方式系列（三）：微服务 VS ESB
工业互联网正确打开方式系列（四）：边缘计算
工业互联网正确打开方式系列（五）：云计算PAAS
工业互联网正确打开方式系列（六）：两化融合
人、机、料、发、环和测试数据在工业互联网聚集，结合大数据模型，使得生产排程调度得以优化。
以下内容由产业智能官整理学习使用，商业用途请联系作者蔡颖老师本人和公众号高效计划与智能调度排程研究会
一、一文读懂APS与MES
APS与MES概论：
APS高级计划系统（AdvancedPlanning System）或高级计划与排程(AdvancedPlanning and Scheduling)，分供应链级的APS和工厂级的APS。供应链级的APS侧重于SCP（Supply Chain Planning）供应链计划的优化，包括网络配置计划、需求计划、库存计划、多工厂计划、供应计划等的优化。工厂级的APS侧重于交期承诺、计划与排产、加工顺序调度、物料准时配送等的优化。
APS功能分高级计划AP(AdvancedPlanning)与高级排程AS（Advanced Scheduling）。每个APS软件供应商在AP和AS各有擅长，但其共同的特点是：1、各种资源约束的优化算法。2、基于常驻内存计算，计算速度快。3、可模拟What if..
APS的优化算法主要分四代：
第一代：基于约束理论的有限产能算法。
第二代：基于优先级等规则的算法、线性规划、基于启发式规则的算法、专家系统。
第三代：智能算法、遗传算法、模拟退火算法、蚁群/粒子群算法、神经网络。
第四代：智能算法融合人工智能动态调整算法，以智能算法进行静态排程，以多Agent代理协商进行动态调整。
不同的APS软件供应商选用不同的优化算法搭建自己的高级计划与排程系统软件，需要根据不同行业特点解决不同的场景问题来决定采用哪种优化算法。
APS为离散行业解决多工序、多资源的优化调度问题。为流程行业解决顺序优化问题。为流程和离散的混合模型同时解决顺序和调度的优化问题。对项目管理与项目制造解决关键链和成本时间最小化问题。
MES(Manufacture Executive System)制造执行系统，早期用于SFC（Shop FloorControl ）车间控制，管理工作中心WC（Work Center） 并下达派工单，主要靠手工汇报进度、工时、损耗。随着制造精益化，制造数字化，形成了MES制造执行系统，它包含了11个模块：1、工序详细调度。2、作业人员管理。3、生产单元分配。4、资源状态管理。5、产品跟踪管理。6、质量管理。7、文档图纸管理。8、设备维护管理。9、设备性能分析。10、车间数据采集。11、制造过程管理。
主要管理车间的人机料法环，是精益生产的数字化系统，必须融入TPS（Toyota Production System）丰田生产系统和(Lean thinking)精益思想的MES。
现在，MES仍不断进化，包含工厂级的APS的计划与排程和PCS工控的设备过程控制。PCS（Process Control System）过程控制与监督实现人、机、物互联。
MES是数字化工厂的核心，将前端产品设计、工艺定义阶段的产品数据管理与后端制造阶段的生产数据管理融合，实现产品设计、生产过程、维修服务闭环协同全生命周期管理。
PLM把3D产品与工艺实时下达生产现场MES，并仿真将检验数据与产品模型标注，实现质量统计分析，预防质量问题发生。APS优化生产决策与执行。现场实时反馈，PCS把实做数据采集、联网、展现并实时返回PLM，有效应用到后期的维护、维修，产品改型、改进设计和制造。所以，有的供应商称为MOM制造运作管理系统。
APS和MES在AS排产功能是重叠的。不过，现在的趋势是APS和MES、PCS融为一体，实现四个闭环：1、需求预测和订单承诺闭环。2、计划与排产闭环。3、排产与执行闭环。4、订单承诺与订单履约发货闭环。形成系统自治，自反馈、自决策。
二、生产排产调度的灵魂：约束规则
现在，约束计划的开发已经吸引各个领域的专家的高度注意，因为，它是有潜力解决现实中的非常难的问题。不仅基于很强的理论基础，而且，也广泛吸引商业利益。特别是在对变异的建模优化与满意问题。
无论我们是用先进的基因算法，还是用人机交互式的仿真方法，都需要对制造业的复杂约束、多目标优化、大规模的搜索和车间生产的不确定性的问题进一步研究，以适用实际需要。
在人类努力的大多领域里，约束在不断的增加。它们在物理世界形成互相依赖。约束是在一些未知或变化里的简单的逻辑关系，在给定的领域里，每一个约束取一值，约束就限制了变化所带来的可能的值，它反映部分信息。约束也可以是不协调的，它可以在不同领域里互相约束。
实际上，我们都用约束来指导推理和决策，是每天的常见行动的重要的一部分。如我可以从5点到6点在那里。这就是典型的约束，我们用它计划我们的时间。自然，我们不能仅仅解决一个约束，因为约束很少是独立的。所以，我们不得不接受的现实是这些问题比较复杂。
约束计划是基于约束规则的计算机系统的程序，约束计划的概念是详述问题的约束来解决问题。结果是找到让所有的约束满意的方案。计划排产调度的实施的关键是基于约束规则，基于约束自动的调配资源、优化排序来达到你所需要的计划目标。
对离散的制造行业解决复杂的加工过程如多工序、多资源等（Job Shop调度），对重复式或流程式的制造行业解决顺序问题如优化排序等（Flow Shop调度）。
确定基本计划排产的目标是选择合适的规则的先决条件，如你的主要目标是一个满足所有任务规定的完成日期，还是你重点是提高设备利用率、减少非生产时间（准备时间和设备维护时间）。一旦决定你的目标，你就可以选择规则来完成目标。
一、基于订单（Job Based）排程方法
基于订单的优先级决定下一个订单的加工，可以自动识别订单的优先级和手工定义优先级，在计算机自动的根据规则的优先级排出生产计划后，还可以手工介入，修改优先级进行重排，以满足复杂的现实的需要。
基于订单（Job-based）约束规则如下：
（1）瓶颈：基于次要任务选择规则的排列。向前和向后方法来计划所有未分配的任务订单。重点是瓶颈资源的工序的。双向模式只计划需要指明瓶颈资源的任务。能用任何可得到的规则计划剩余任务。
（2）完成日期：基于最早完成日期。
（3）先到先服务：按照先到订单，先安排生产。
（4）升序订单属性值：按规定的订单升序的值排列。订单的属性可以是数值，字母。
（5）优先级：按照最小数值优先。如果你用此规则，优先级字段必须在订单上定义。
（6）加工时间：按照订单最小的加工时间优先。
（7）下达日期：按照最早开始日期优先。
（8）相反优先级：按照最大数值优先。如果你用此规则，优先级字段必须在订单上定义。
（9）闲散时间：按照最小闲散时间优先。
二、基于事件（Event Based）的排程方法
是基于高利用率的方法。实现其计划的关键是二步导向的规则使用。有二个基本的规则：（1）工序选择规则OSR；（2）资源选择规则RSR。
针对不同产品和资源，必须选择不同的规则，在决定是使用工序选择规则或资源选择规则时，主要考虑的是什么是一个好的标准？一旦确定你的目标，你就可以选择工序和资源选择规则来完成目标。
一般来说，先选择工序选择规则，然后选择合适的资源选择规则。在一些情况下，有关的资源选择规则被工序选择规则所决定。
工序选择规则OSR（ Operation Selection Rule）
至少一个资源是空闲的，二个或多个工序能用于这个资源，采用OSR。此规则决定那一个工序被加载。这就是决定计划结果质量好坏的关键因素。独立的工序选择规则详细介绍如下：
（1）最早完成日期：选择最早完成的工序（也许是订单完成日期）
（2）最高优先级第一：选择最高优先级（最低值）的工序
（3）最低优先级第一： 选择最低优先级（最高值）的工序
（4）最高订单属性字段：选择最高（最大）订单属性字段的工序
（5）最低订单属性字段： 选择最低（最小）订单属性字段的工序
（6）动态最高订单属性字段：选择动态最高（最大）订单属性字段的工序
（7）动态最低订单属性字段： 选择动态最低（最小）订单属性字段的工序
（8）计划档案订单：选择订单里出现先到先服务的工序
（9）关键率：选择最小关键率的工序。关键率=剩余计划工作时间/（完成日期-当前时间）
（10）实际关键率：选择最小实际关键率的工序。实际关键率=剩余实际工作时间/（完成日期-当前时间）
（11）最少剩余工序（静态）：选择最少剩余工序时间的工序
（12）最长等待时间：选择最长等待时间的工序
（13）最短等待时间： 选择最短等待时间的工序
（14）最大过程时间：选择最大过程时间的工序
（15）最小过程时间： 选择最小过程时间的工序
（16）最小工序闲散时间：选择最小工序闲散时间的工序。订单任务的闲散时间=任务剩余完成时间-剩余工作时间。工序闲散时间=任务闲散时间/完成任务的剩余工序数
（17）最小订单闲散时间：选择最小订单任务的闲散时间的工序
（18）最小工作剩余：选择所有需要完成订单的最小剩余过程时间的工序。
资源选择规则（RSR） Resource Selection Rule
RSR选择工序加载到资源组内的哪一资源。
（1）最早结束时间：选择将要最先完成工序的资源
（2）最早开始时间： 选择将要最先开始工序的资源
（3）最迟结束时间： 选择将要最迟完成工序的资源
（4）与前工序一样： 选择被用于前一工序的资源
（5）非瓶颈最早开始时间：选择将要最早开始工序的非瓶颈资源
相关选择规则：
如果选择一工序选择规则，就自动的选择相应的资源选择规则。
（1）系列顺序循环：选择同样或下一个最高（最低）系列值的工序。当没有最高值的工序，顺序将相反，选择最低的工序。
（2）系列降顺序：选择同样或下一个最低系列值的工序
（3）系列升顺序： 选择同样或下一个最高系列值的工序
（4）最小准备系列： 选择最小准备时间及最近的系列值的工序。
（5）最小准备时间： 选择最小准备或换装时间的工序
（6）定时区的系列顺序循环：选择同样或下一个最高（最低）系列值工序。且只考虑在特定的时区里的订单完成日期里的工序。当没有最高值的 工序，顺序将相反，选择最低的工序。
（7）定时区的系列降顺序：选择同样或下一个最低系列值工序。且只考虑在特定的时区里的订单完成日期里的工序。
（8）定时区的系列升顺序：选择同样或下一个最高系列值工序。且只考虑在特定的时区里的订单完成日期里的工序。
（9）定时区的最小准备系列：选择最小准备时间及最近的系列值的工序。且只考虑在特定的时区里的订单完成日期里的工序。
（10）定时区的最小准备时间：选择最小准备或换装时间的工序，且只考虑在特定的时区里的订单完成日期里的工序。
工序选择规则的分析
标准的工序选择规则有二十多个标准规则，不同的规则对应不同的目标。这些规则可以进一步分成静态与动态的规则。
静态规则：为所有在排队中的订单，所有等待的工序提供一简单的索引机制。这些规则在每一次预先模拟时间时不需要再次评估。用于工序选择规则的参数是固定的。例如规则是最早完成日期规则，完成日期在顺序排程中从未改变。在排队中的第一个工序被分配到一等待资源。因为规则总是选择第一个等待工序，此规则执行的非常快。
动态规则：每一个在排队的工序被每一次调用的规则检查。因此，我们是基于当前的订单任务和系统的状态决定我们的选择。这个机制充分考虑了任何改变出现的时间和事件的结果。例如，最小工序空闲规则，因为工序的空闲值随时在改变。因为动态选择规则需要在每一次事先模拟以后检查在排队中的每一个工序，它比静态规则要慢一些。
为有助于分析规则，我们对规则进行分类。分成四个主要类别来对应四个不同的计划目标。它们是1、预先确定任务的参数。2、最小化任务缓慢。3、最小化任务流程时间。4、最大化设备利用率。
我们将讨论每一个核心目标和相应的工序及资源规则以支持这些目标。规则的分类目的是帮助你为达到你的核心目标而缩小你的规则的选择。对某一类的规则选择是基于你的计划问题。每一个类别的规则都混合一些静态和动态的规则。
预先确定订单任务的参数：是基于预先定义订单任务的优先级来选择下一个工序或用户规定的属性字段（如成本）。一般来说，每一个规则由特性的最高，最低的值被调用。这类包括最高优先级，最低优先级，最高订单特性字段，最低订单特性字段，动态最高订单特性字段，动态最低订单特性字段，计划档案订单，最长等待时间，最短等待时间，和最大过程时间。最高优先级和最低优先级是分别用最高或最低优先级选择工序的静态规则。
最高订单特性字段，最低订单特性字段是和优先级规则相似的静态规则，除了基于用户定义属性的选择。例如。最高订单特性字段规则用一个属性字段定义，如由成本的最高值来选择任务。因为这是一个静态规则，它假设当订单任务正在等待处理时成本是不变的。
动态最高订单特性字段，动态最低订单特性字段规则是动态的。虽然这些规则执行较慢，它们也适应当订单任务正在等待时属性字段可以改变的情况。
计划档案订单规则是一静态规则，是基于已进入数据库的订单来选择订单。这个规则和先到先服务规则相似。
最长等待时间，最短等待时间规则是一动态规则，它是基于订单任务被等待计划的时间来选择工序。
最大过程时间规则是用最大过程时间来选择工序。预先确定任务的参数规则一般用于订单任务的特性的情况。（如优先级或成本），不考虑任务完成日期或设备利用率。因为这些规则忽略完成日期，它们典型更适应面向库存生产（MTS）环境，而不是面向订单生产环境（MTO）。
最小化任务延缓：在许多面向订单生产环境（MTO），计划目标是保证每一个订单任务按期完成。 最小化任务延缓的规则是建立一最小化延缓任务的计划。这类规则包括最早完成日期，最小化运行闲散时间，最小化订单闲散时间，关键率，和实际关键率。这些规则的最简单的是最早完成日期。这是一静态规则。虽然这个规则执行的非常快。这一类所有的规则是基于空闲时间计算的动态规则。空闲时间是完成日期和最早完成时间的差异。
最小订单闲散时间规则选择一个父项任务的工序，父项任务有最小的闲散时间。如它没被选择，这个订单任务大多可能是延迟的。
最小运行闲散时间规则是基于每一个工序的平均闲散时间（订单任务计算的闲散时间/剩余工序数量）而不是任务的剩余闲散时间。这个基于闲散时间的规则形成的基本想法是每一个剩余工序有一固有的风险， 根据它延迟的可能性，每一个工序的最小闲散时间的订单任务是最关键的。因此，如果我们在同样的闲散时间中选择订单任务，我们会选择最大剩余工序数量的订单任务，因次，根据每个工序最小闲散时间的规则来选择处理风险最大的订单任务。
基于闲散时间规则的最后的差异是关键率。这个规则选择父项任务有最大关键率的工序。关键率是剩余工作时间/（剩余工作时间+闲散时间）。注意只要闲散时间是正的数，分母大于它，关键率就小于1。就此，任务还没有延迟。如果关键率大于1，闲散时间是负数，任务就不能按期完成。关键率规则与最小工序闲散时间规则相似。相同的是，它们都是用闲散时间来计算的。不同的是它的剩余工作已完成。它的基本的前提是剩余闲散时间本身在决定最关键订单任务时并不重要，即相关的剩余工作已完成。如我们有许多剩余工作，那么，我们需要较大的闲散时间来保证我们的订单任务不能延迟。
最小化任务过程时间：在一些环境，关键问题是计划设备的效率来最小化订单任务的平均时间。在最小化任务过程时间规则里忽略任务完成日期而集中于减少订单任务的时间。这类规则包括最小化流程时间，最少剩余工序，最小工作剩余。这类规则是基于过程时间最短的概念，减少所有订单任务的平均任务过程时间。
如果有许多机器和许多不同的订单任务的应用就较复杂。不管怎样，这类规则都是用同样的概念-最短处理任务的时间，仅仅不同的它是怎样决定最短任务。最小化处理时间规则是静态规则，用最短工序时间选择工序。最小化工作剩余规则是动态规则，它是基于父项任务的最小剩余工作选择工序。剩余工作是对所有任务的剩余工序的合计时间。最小化过程时间规则检查单一工序的加工时间，而最小化工作剩余规则检查所有的剩余工序的加工时间。最少剩余工序规则和最小剩余工作规则相似，除了这个规则是基于剩余工序数量而不是过程时间的合计。
最大设备能力：在一些面向库存生产的环境（MTS）中，关键的问题是设备效率。即最大化整个设备的生产能力。在最大化设备能力规则里忽略任务的完成日期而集中于设备的能力效率来产生计划。这类规则包括最小准备时间，系列顺序升UP， 系列顺序降DOWN， 系列顺序周期，和用系列的最少准备。另外，每一规则都与时间相连。所有这类规则都集中于减少转变成本，最大化的设备能力。这个转变成本能在一顺序相关的准备时间中设置。我们正努力消除设备的任何没有必要的非生产时间。
如果我们为整个工序的排序， 在连续的工序之间，要考虑顺序相关的准备时间及转变成本，此时，我们就能用系列规则。
在混合油漆中，我们在定义好的顺序中一般要逐渐从淡色移动到深色。如从深色移动到淡色时，就有整个清洗混合的油箱的准备时间即转变成本。在一些情况下，我们有事先规定好的顺序。例如，我们也许要处理颜色顺序A，B，C，，D，E的订单，这就称为系列顺序。如果我们刚要加工颜色A，我们会首先寻找有颜色A的其它订单。如没有，我们会寻找颜色B的订单，依此顺序，等等。系列规则提供这个能力。这些规则允许我们规定一个系列值。（如油漆颜色，温度，等等）。每一个订单/工序及动态建立系列，或自动的增加，减少，或使系列值上下循环。
在增加系列的情况下，系列升顺序规则选择一系列值并大于或等于被选择工序的系列值的工序。如，如果我们建立一零件尺寸的增加系列值，规则选择同样或下一个最大尺寸的工序。如等待工序没有同样或大的值，规则就开始一个新的系列顺序。系列降顺序规则也是类似的。
生产化工纤维材料时，根据产品的型号和厚度对品种进行分类，对品种的最优排产。如取最小值= { 3m/1。4m， 6m/1。4m，…。}来决定在哪个订单的加工顺序及哪个资源最经济。
系列顺序循环规则在增加顺序和减少顺序前后交替。如系列增加，它将继续增加，直到没有一样或较大的系列值订单剩余的订单。当这种情况出现，规则会转为减少系列值并开始选择有一样或较小系列值的订单。当所有这样的订单耗尽，它就回到增加系列的策略。这个规则以此方式继续，在增加和减少系列值之间重复循环。
在热处理时，温度是间隔的增加到最高，然后降低。最小准备系列规则结合最小准备时间规则和系列顺序循环规则。最小准备时间和最靠近的系列值的工序被选择。
定时的规则仅仅考虑任务完成日期正好落入规定的时区的工序。时区必须定义在数据库里。如，你要跟踪颜色的系列，但是，你仅想考虑在下一周的完成的订单任务。这个规则既要最小化颜色的改变。又要不能延迟订单任务。
资源选择规则分析
虽然工序选择规则在决定生产计划方面起着重要作用。资源选择规则在加工处理中也能起重要作用。尤其在最小准备时间和系列工序选择规则上，资源选择规则是由工序选择规则自动决定的。（如选择最小准备时间工序规则，最小准备时间资源选择规则被自动选择）。然而，在选择所有的剩余工序选择规则时，你必须在资源选择规则中选择其一。
最早结束时间是缺省的资源选择规则。它选择将完成的第一个的工序。基本策略是尽快完成工序。因此，此规则与工序选择规则的最小化过程时间相似。
最早开始时间规则选择将开始第一个工序的资源。这些规则集中减少资源闲散时间。
最迟结束时间规则选择将选择最后完成工序的资源。如果资源不包括在有效资源组，缺省最早结束时间规则。
非瓶颈的最早结束时间规则将首先完成工序的非瓶颈资源。非瓶颈最早开始时间规则将首先开始工序的非瓶颈资源。
三、基于物料约束（Material Constrain）
当生产计划想要计划一个需要某物料的工序时，它将仅仅计划库存水平足以满足当时或以后的工序。如果在计划时区不能满足条件，物料约束计划将首先查看是否有未分配的定单，产生库存需求。如果它找到这样的定单，它将首先计划定单，然后计划工序的库存需要。如定单产生库存需求另外的未有的库存，物料约束计划将象以前一样寻找定单来计划。这个过程将重复许多次。如果有不够，就需要库存补充。
静态物料约束规则（SMC）
先对每一个物料从ERP系统导入建立可用量清单，最早开始的订单和被分配的物料，随着物料业务，订单日期的延迟，或变化，系统会自动调整或显示订单的变化。
动态物料约束规则（DMC）
当计划建立时，动态分配物料，允许重新分配物料到另外的一个订单，它可以处理物料的有效期，变化的产出率，和减少在制品等实际问题。
取出库存成套约束（Take from stock kit）
定义在一工序需要的子项。 在我们做计划时，考虑子项物料从库存的可用量的约束来排计划。
放入库存成套约束（Put to stock kit）
定义从工序的父项产出结果。在我们做计划时，考虑产出的约束，必须考虑库位所能容纳的约束。
生产计划根据产品结构的相关性来分配物料的约束，查询约束可以按物料编码报告物料约束。也可以按订单号报告物料约束。工具约束：工具子项反映关键工具作为资源，也可以作为约束物料，如你可以定义工具产生约束，如工具维修，故障。
总之，制造业对客户需求的响应越来越强烈。 现在生产计划调度系统正开始将基于约束规则基因搜寻和模拟仿真模式结合起来，解决制造同步化问题和工厂的顺序冲突问题。
现在，约束计划已经成功应用到许多不同问题领域。它和分析DNA结构一样多样化。对医院的时间表和工业的排程。实践证明它能较好适应解决现实的问题。因为，许多应用领域自然的需要约束。分派问题也许是第一个工业应用约束解决工具。用甘特图来描述计划可能是最成功的应用领域如有限约束排程。
在现实中，约束计划可以广泛的运用，但是当前的工具也有可能没有涉及到的领域或局限和缺点。无论是从理论上，还是实际的观点来看，约束的定义促使问题可追踪是非常重要的，约束计划的有效性仍然是不可预测的：何时，如何使用约束。通常直觉是决策的最重要的部分。有时，盲目的快速搜寻如按时间顺序后排比约束进化（基因算法）更有效。在许多约束模型里的特别问题是成本优化。有时，它是对改善起初的方案是非常困难的。且一个小的改善就会花去很多时间。
约束计划也在不断的进化，它们能动态的增加约束。大部分情况下，约束系统产生的计划是可执行的。除了机器故障，延迟的计划，在最坏的情况下，新订单的接受。这是需要快速的重排计划或提高当前的方案来解决未预料的事件。同时，在通常较紧计划优化的方案和可以解决较少差异的，稳定的，次优化的方案之间交替选择。
当前的约束满意系统的缺点标志着未来研究发展方向，在它们之间，建模看上去是最重要的之一。已经开始讨论使用全局约束，把主要的约束预先设置到软件包。（如所有不同的约束规则）。目前，建模语言较多的使用ILOG公司的（ILOG Solver）来表示约束问题。（如名列前矛的商业管理软件供应商均采用此技术）
从较低层次的观点，可视化的技术越来越流行，他们帮助定义系统的瓶颈。各种约束解决方法的交互研究是最具挑战的问题之一。混合算法结合各种约束技术是这个研究的结果。另外感兴趣的研究领域是解决协同和对应的结合的理论。约束满意技术和传统的OR（Operation Research）方法如整数规划是另外的挑战。研究平行和并行的约束已作为提高效率的方法，在这些系统里，多层代理技术可能是最有前景。
但是，随着车间物联网、工业大数据的成熟，通过定位系统的场景化，嵌入式规则或算法和传感器，可以做到分布式控制，使得排产调度更加灵活与智能化。
三、智能工厂的调度算法
一、排产调度问题的提出
敏捷制造作为21世纪企业的先进制造模式，综合了精益JIT、并行工程等多种先进制造模式的哲理，其目的是要以最低成本制造出顾客满意的产品，即是完全面向顾客的。
在这种模式下，如何进行组织管理，包括如何组织动态联盟、如何重构车间和单元、如何安排生产计划、如何进行排产调度都是我们面临的问题。其中车间作业排产调度与控制技术是实现生产高效率、高柔性和高可靠性的关键，有效实用的排产调度方法和优化技术的研究与应用已成为智能制造技术实践的基础。
排产调度问题主要集中在车间的计划与排产调度方面，是针对一项可分解的工作（如产品制造），探讨在在尽可能满足约束条件（如交货期、工艺路线、资源情况）的前提下，通过下达生产指令，安排其组成部分（操作）使用哪些资源、其加工时间及加工的先后顺序，以获得产品制造时间或成本的最优化。在理论研究中，生产排产调度问题常被称为排序问题或资源分配问题。
二、排产调度问题的分类
生产排产调度系统的分类方法很多，主要有以下几种：
(1) 根据加工系统的复杂度，可分为单机、多台并行机、Flow Shop(流水线加工)和 Job Shop（任务型加工）。
单机排产调度问题是所有的操作任务都在单台机器上完成，为此存在任务的优化排队问题，多台并行机的排产调度问题更复杂，因而优化问题更突出。
Flow Shop型问题假设所有作业都在同样的设备上加工，并有一致的加工操作和加工顺序。Job Shop是最一般的排产调度类型、并不限制作业的操作的加工设备，并允许一个作业加工具有不同的加工路径。
(2) 根据性能指标，分为基于排产调度成本和排产调度性能的指标两大类。
(3) 根据生产环境的特点，可将排产调度问题分为确定性排产调度和随机性排产调度问题。
(4) 根据作业的加工特点，可将排产调度问题分为静态排产调度和动态排产调度。
静态排产调度是指所有待安排加工的工作均处于待加工状态，因而进行—次排产调度后、各作业的加工被确定、在以后的加工过程中就不再改变；动态排产调度是指作业依次进入待加工状态、各种作业不断进入系统接受加工、同时完成加工的作业又不断离开，还要考虑作业环境中不断出现的动态扰动、如作业的加工超时、设备的损坏等。因此动态排产调度要根据系统中作业、设备等的状况，不断地进行排产调度。实际排产调度的类型往往是Job Shop型且是动态的。
三、生产排产调度的环境特征
一般的排产调度问题都是对于具体生产环境中复杂的、动态的、多目标的排产调度问题的一种抽象和简化，因而，一个排产调度算法可以通过其如何表述这些复杂性来进行分类。
由于实际生产环境是千差万别的，那末，一个排产调度算法就应该根据其是否能适合对应的生产环境的重要特征来进行评估。为了帮助区别不同的生产排产调度策略，给出了典型生产排产调度环境的五个特征，这将有助于我们了解各种不同的排产调度算法的应用环境。
1、 边界条件：
生产排产调度常常是一个重排产调度问题，即修改已有的生产排产调度去适应新的作业。为提供重排产调度，排产调度算法应能处理生产系统中有关的初始状态。类似的生产排产调度通常是在一个有限的时间区域里进行的，系统的最优解（或次优解）亦是在限定的边界范围内来获取。
2、 分批大小和调整成本：
为有效地解决实际生产中的排产调度问题，往往将任务分成多批进行，并考虑改变已有排产调度结果所付出的代价（调整成本）。
3、 加工路径：
在实际生产中，作业的加工路径可能需要动态改变，工艺顺序可能是半有序的(Semi order)。
4、 随机事件和扰动：
出现关键作业、设备损坏、加工操作失败、原料短缺、加工时间、到达时间、交货期的改变等。
5、 性能指标和多目标：
追求不同的性能指标往往会得到不同的优化解，同时，系统目标也以多目标为主。
四、排产调度问题的特点
实际的排产调度问题有以下特点：
(1) 复杂性
由于装卸作业、装卸设备、库场、搬运系统之间相互影响、相互作用、每个作业又要考虑它的到达时间、装卸时间、准备时间、操作顺序、交货期等，因而相当复杂。
由于排产调度问题是在等式或不等式约束下求性能指标的优化，在计算量上往往是NP(多项式复杂性)完全问题，即随着问题规模的增大，对于求解最优化的计算量呈指数增长，使得一些常规的最优化方法往往无能为力。
(2) 动态随机性
在实际的生产排产调度系统中存在很多随机的和不确定的因素，比如作业到达时间的不确定性、作业的加工时间也有一定的随机性，而且生产系统中常出现一些实发偶然事件，如设备的损坏、修复、作业交货期的改变等。
(3) 多目标。
实际的计划排产调度往往是多目标的，并且这些目标间可能发生冲突。排产调度目标分为基于排产调度成本和排产调度性能的指标两大类。
也有排产调度目标分三类：基于作业交货期的目标、基于作业完成时间的目标、基于生产成本的目标。这种多目标性导致排产调度的复杂性和计算量急剧增加。
五、排产调度问题的研究方法
—般的排产调度问题都是对于具体生产环境中复杂的、动态的、多目标的排产调度问题的一种抽象和简化，因而一个排产调度算法可以通过其如何表述这些复杂性进行分类。由于实际中生产环境是千差万别的，那么一个排产调度算法就应该根据其是否能适合对应的生产环境的重要特征进行评估。
在对排产调度问题进行研究的方法上，最初是集中在整数规划、仿真和简单的规则上，这些方法不是排产调度结果不理想就是难以解决复杂的问题。随着各种新的相关学科与优化技术的建立与发展，在排产调度领域也出现了许多新的优化方法，比如神经网络、模拟退火法、遗传算法、禁忌搜索法等，使得排产调度问题的研究方法向多元化方向发展。下面我们分别对这些方法进行总结：
(1) 运筹学方法
运筹学方法是将生产排产调度问题简化为数学规划模型，采用基于枚举思想的分枝定界法或动态规划算法进行解决排产调度最优化或近优化问题，属于精确方法。不同的分枝定界法，其不同点主要在于分析规则、定界机制和上界的产生这三方面存在差异。这类方法虽然从理论上能求得最优解，但由于其计算复杂性的原因、因而不能获得真正的实用。
对于复杂的问题，这种纯数学方法有模型抽取困难、运算量大、算法难以实现的弱点，对于生产环境中的动态排产调度实现复杂，解决不了动态及快速响应市场的问题。
(2) 基于规则的方法
对生产加工任务进行排产调度的最传统的方法是使用排产调度规则（Dispatching Rules），已经有许多排产调度规则被应用，因其排产调度规则简单、易于实现、计算复杂度低等原因，能够用于动态实时排产调度系统中，许多年来一直受到广泛研究，并不断涌现出新的排产调度规则。如较优的单元零件加工排产调度算法，在减少等待时间、提高生产率等诸多约束条件下达到了一种较为科学有效的排产调度效果。
规则按形式分为了三类：简单规则、复合规则、启发式规则；随着计算机运算速度的飞速提高，人们希望寻找新的近似排产调度方法，它以合理的额外计算时间为代价，换得比单纯启发式规则所得到的排产调度更好的排产调度。在这方面比较有代表性的有移动瓶颈方法（Bottle Neck Procedure)，用来解决以最小化 Make Span(制造时间)为目标的 Job Shop排产调度问题，它通过不断地对移动的瓶颈设备进行单机排产调度，来获取更好的次优解。
总的说来，启发式规则直观、简单、易于实现。但是近研究表明并不存在一个全局最优的排产调度规则，它们的有效性依赖于对特殊性能需求的标准及生产条件。
它是局部优化方法，难以得到全局优化结果，并且不能对得到的结果进行次优性的定量评估。顾客需求的个性化及要求企业响应市场的敏捷性，往往在生产加工过程中加入了更多的不确定性及复杂性约束，寻找排产调度最优算法本身是一个NP完全问题，这些使得基于规则的排产调度思想已不能适合敏捷化制造的要求。
(3)系统仿真的方法
仿真方法是不单纯追求系统的数学模型，侧重对系统中运行的逻辑关系的描述，能够对生产排产调度方案进行比较评价，分析系统的动态性能，并选择系统的动态结构参数。由于制造系统的复杂性，很难用一个精确的解析模型来进行描述和分析。而通过运行仿真模型来收集数据，则能对实际系统进行性能、状态等方面的分析，从而，能对系统采用合适的控制排产调度方法。
仿真方法最早被用来作为测试排产调度启发式规则及分派规则的工具。后来，人们发现，通过将简单的优先权规则进行组合，或用一个简单的优先权规则将一些启发式规则进行组合，这样的排产调度优于单独的优先权规则。
于是，仿真方法逐渐发展为一种人机交互的柔性仿真工具，并用来进行车间排产调度。这样，就能通过仿真而动态地展现Job Shop车间的状态，分析在不同的排产调度方法下的系统性能，并运用知识和经验去选择合适的排产调度方法(规则)，从而改善排产调度性能。
基于纯仿真法虽然可以包含解析模型无法描述的因素，并且可以提供给使用者一个排产调度性能测试的机会，但其不可避免地存在以下问题：
-鉴于其实验性，因此，很难对生产排产调度的理论作出贡献。
-应用仿真进行生产排产调度的成本很高，不仅在于产生排产调度的计算时间上，而且在于设计、建立、运行仿真模型上的高成本。
-仿真的准确性受编程人员的判断和技巧的限制，甚至很高精度的仿真模型也无法保证通过实验总能找到最优或次优的排产调度。
(4) 基于 DEDS的解析模型方法
由于制造系统是一类典型的离散事件系统，因此，可以用研究离散事件系统的解析模型和方法去探讨车间排产调度问题，诸如排队论、极大/极小代数模型、Petri网等。
排产调度中的排队论方法是一种随机优化方法，它将每个设备看成一个服务台，将每个作业作为一个客户。作业的各种复杂的可变特性及复杂的路径，可通过将其加工时间及到达时间假设为一个随机分布来进行描述。
总的说来，排队网络模型由于从随机统计的角度来描述制造系统，难以表述系统中存在的某些特性（如有限的缓存空间等），同时，产生的输出是基于系统稳态操作的平均量，因此，很难得到比较具体的细节。
Petri网作为一种图形建模工具可以形象地表示和分析FMS中加工过程的并发和分布特征以及多项作业共享资源时的冲突现象，具有很强的建模能力，对于描述系统的不确定性和随机性也具有一定的优越性。在制造自动化领域，利用 Petri网及其扩展形式的模型进行死锁分析、排产调度决策和性能评价等。
目前，Petri网模型用于排产调度还存在以下的问题：
-节点语义的单义性，使得所携带的系统信息量不够丰富。
-重用性差。Petri网多是基于制造中作业的加工流程建模，当作业需求或工艺稍有变动时，必须修改模型结构，这难于适应制造中存在的不确定因素。
-不能对高级的排产调度规则加以建模，通常只能用禁止弧机制体现一些低级控制。
(5)基于排序的方法
该方法是先有可行性加工顺序，然后才确定每个操作的开工时间，并对这个顺序进行优化，它虽然属于近似算法，但有可能达到最优的排产调度方案。它主要包括邻近搜索法，它在生产排产调度领域得到了相当广泛的应用，在探索解空间时，仅对选定的成本函数值的变化做出响应，因而通用性强。
这类方法包括局部探索（Local Search）、模拟退火法（Simulated Annealing）、列表寻优法（Table Search），遗传算法（Genetic Algorithms）。邻近搜索虽然可能得到最优的排产调度方案，但也存在各自的不足, 很多采取混合算法来弥补单一方法的不足。
-启发式图搜索法
对于表述为整数规划的排产调度问题，最初采用分枝定界法来解决，而后其他的启发式图搜索法也被应用于解决排产调度问题。
将排产调度排序问题用一个图来表示，首先构造一个可行解，采用基于隐枚举的搜索方法不断提高解的次优性；采用束搜索法(beam search)来识别瓶颈机器，进行排产调度；为了解决搜索空间太大的问题，通过对分枝定界法和约束搜索法进行系统的分析，提出了一种过滤束搜索法(filter beam search)，用来解决单台机器提前／延期问题和加权延期的 Flow Shop问题；对于图搜索算法，如何提高搜索效率并减少内存使用以解决规模较大的问题，还需要进一步探索。
-模拟退火法
模拟退火算法(SA)将组合优化问题与统计力学中的热平衡问题类比，另辟了求解组合优化问题的新途径。它通过模拟退火过程，可找到全局(或近似)最优解。其基本思想为：把每种组合状态 Si看成某一物质系统的微观状态，而将其对应的目标函数C(Si)看成该物质系统在状态Si下的内能；用控制参数T类比温度，让T从一个足够高的值慢慢下降，对每个T，用 Metropolis抽样法在计算机上模拟该体系在此T下的热平衡态，即如果 C(s’)，对当前状态Si作随机扰动以产生一个新状态s’。
模拟退火法的几个重要部分为：生成函数(generation)、容忍函数(acceptance function)、 Markov链长、降温过程和结束准则。模拟退火法的改进算法有加温退火法、有记忆的模拟退火法等。
为Flow Shop问题求解构造了一类模拟退火法，并通过六种不同的随机抽样方式分析了算法渐近收敛于全局最优解，分别解决了具有最小Make Span指标且具有无限中间存储(UIS)、有限中间存储(FIS)和无中间存储(NIS)的 Flow Shop排序问题；
种改进的模拟退火法，用来解决具有最小 Make span指标的 Flow Shop排序问题，并与禁忌搜索法等进行了比较；另外，模拟退火法也可与其他方法相结合进行求解，如先用贪心法(greedy法)搜索，将得到的作业序列作为初始解，再用模拟退火法求解单机排产调度问题，其结果表明这种方法比单纯用模拟退火法和贪心法要好；将模拟退火法与启发式算法相结合的方法，求解具有交货期约束的Job Shop排产调度问题。
由于模拟退火法能以一定的概率接受差的能量值，因而有可能跳出局部极小，但它的收敛速度较慢，很难用于实时动态排产调度环境。
-禁忌搜索法
对于复杂的组合优化问题，禁忌搜索也是一种通过领域搜索以获取最优解的方法。禁忌搜索是一种迭代方法，它开始于一个初始可行解S，然后移动到领域N(S)中最好的解s’，即s’，对于目标函数F(S)在领域 N(S)中是最优的。然后，从新的开始点重复此法。
为了避免死循环，禁忌搜索把最近进行的T个移动（T可固定也可变化）放在一个称作 tabu list的表中(也称短期记忆)，在目前的迭代中这些移动是被禁止的，在一定数目的迭代之后它们又被释放出来。这样的tabu list是一个循环表，它被循环地修改，其长度T称作Tabu size。最后，还须定义一个停止准则来终止整个算法。由于tabu list的限制，使其在搜索中有可能跳出局部极小。针对求解交货期下带有等待时间惩罚的提前／拖期单机排产调度问题。
-神经网络优化
Hopfield神经网络模型的提出为求解各种有约束优化问题开辟了一条新途径，它的主要思路是：通过一个Lyaplmov能量函数构造网络的极值，当网络迭代收敛时，能量函数达到极小，使与能量函数对应的目标函数得到优化。
随机 Hopfield网络来解决 Job Shop排产调度问题的方法；改进的Hopfield网络的整数线性规划神经网络方法来解决 Job Shop排产调度问题。
-遗传算法
美国Michigan大学的J.H.Holland于本世纪末提出了一种新的并行优化搜索方法：遗传算法(Genetic Algorithm)，它是一种基于进化论优胜劣汰、自然选择、适者生存和物种遗传思想的随机优化搜索算法，通过群体的进化来进行全局性优化搜索。
它以其很强的并行性和很高的计算效率正日益受到人们的关注。它对组合优化问题求解的主要过程是：给定一组初始解作为一个群体，通过选择、交换和变异等遗传操作符来搜索问题的最优解。
基于遗传算法的启发式方法，用于解决以最小化Make span为指标的flow shop排产调度问题；可以将遗传算法与图搜索法相结合，利用遗传算法进行知识的推理、启发，再用过滤束搜索法(filter beam search)进行优化搜索，以得到高质量的制造静态排产调度。
总的来说，遗传算法的最大优点是通过群体间的相互作用，保持已经搜索到的信息，这是基于单次搜索过程的优化方法所无法比拟的。但是，遗传算法也存在着计算速度较慢的问题。
(6)人工智能的排产调度方法
近年来受实际需要的推动，基于知识的智能排产调度系统和方法的研究取得了很大的进展。人工智能在上个世纪60年代就将计划问题作为其应用领域之一，但直到上个世纪80年代，开展基于约束传播的ISIS(Intelligent Scheduling and Information System)的研究为标志，人工智能才真正开始应用于排产调度问题。
基于知识的排产调度方法是用专家系统自动产生排产调度或辅助人去排产调度。它是将传统的排产调度方法与基于知识的排产调度评价相结合的方法。
在支持某些活动发生的资源条件具备时(称为决策点)，根据系统当时所处的属性状态，决定采取何种规则(策略)，确定或选择活动发生的顺序和时间，即状态指导的智能排产调度方法。
总的来说，主要包括智能排产调度专家系统、基于智能搜索的方法及基于多代理技术（Multi-Agent System 简称MAS）的合作求解的方法等。其中，智能排产调度专家系统是人工智能应用的体现，由于专家系统中知识获取和推理速度这两个瓶颈，使得神经网络逐渐被采用，但还存在训练速度慢、探索能力弱等缺点。
基于多代理技术的合作求解方法是较新的智能排产调度方法，它提供了一种动态灵活、快速响应市场的生产排产调度机制，它以分布式人工智能（Distributed Artificial Intelligence简称DAI）中的多代理机制作为新的生产组织与运行模式，通过代理（Agent）之间的合作以及MAS系统协调来完成生产任务的排产调度，并达到预先规定的生产目标及生产状态。在这种研究方法中，在Agent内部也可采用基于规则及智能推理相结合的混合方法，来构造基于MAS的生产排产调度系统。
六、排产调度方法存在的问题
排产调度领域中的大部分问题都具有NP问题，虽然对它的研究已有几十年的历史，但至今尚未形成一套系统的方法和理论，理论研究与实际应用之间还存在着很大差距。尤其随着JIT（Just-In-Time）思想的广泛采用，E/T（Earliness/Tardiness）排产调度问题，即使得工件尽量按交货期完成，变得越来越突出。
实际应用中的排产调度方法能够响应系统的动态变化，但不能保证得到好的排产调度：一些理论上的最优化方法能提供最优排产调度，但由于其计算的复杂性，并且忽略了很多实际因素，离实际运用还有较大距离。基于最优化的方法，诸如动态规划算法与分枝定界算法等等，由于其大多数是建立在对可能排产调度的部分枚举上，因此只能解决小规模的排产调度问题，距离实用还有较大距离。
由于大多排产调度问题属于一类NP困难组合问题，因此寻找具有多项式复杂性的最优算法几乎是不可能的。但因其解的最优性、至今仍激发着学者们进行不断的探索。
各种近似启发式方法、诸如基于规则的算法等，由于能在合理的时间内产生比较满意的排产调度，因此广泛应用于实际排产调度中，但其往往对所得的排产调度解的次优性不能进行评估。
在这方面有必要探索更好的近似最优排产调度算法，可以考虑增加合理的计算时间代价，提高解的次优性。各种基于统计优化的方法、诸如模拟退火法、遗传算法等，提供了一种解决排产调度优化问题的新途径，但同别的优化算法类似，其也存在着一定程度的校举、一般来说收敛到最优解很慢，并且对于判断解的最优性也很困难。
在实际车间排产调度中，计划与车间排产调度往往是分层进行的，但这可能造成计划在实际排产调度中的不可行问题，如何将计划与排产调度结合考虑，以求总体的优化也是需要进一步研究的。另外，还有很多有待进一步研究的问题，比如实际车间排产调度的多目标性等。排产调度理论、方法与应用的研究是一项非常艰巨的工作，目前人们还在进行各种各样的探索性研究工作。
由于排产调度问题的复杂性，实际生产排产调度的目标应定为寻找一个好的、可行的的解决方案而常常不是最优的方案。尽管有大量的解决排产调度的方案，但是只有少数的方法应用于实际。其中，基于智能的排产调度方法应用人类专家的经验及特殊领域的知识，在解决排产调度问题上已经做出了很多成绩。
关键技术
寻找车间排产调度的最优解从理论上将是NP-完全问题，没有一个确定的算法来解决这个问题。许多约束条件，使得实际的排产调度问题变得非常困难，比如：设备的可选性、制造环境的动态与不确定性、约束条件的矛盾（最小加工时间与最大设备利用率）等等，实际上，生产排产调度问题大部分是集中于简化问题，然后寻找最优解或次优解。研究与开发排产调度系统面临的关键问题主要有：
-信息表达：
包括排产调度任务及特殊信息（工作能力、可选生产计划等）的描述。
-交互性设计：
交互性不单指人机界面的问题，它应支持人对排产调度过程的直接参与，因为纯粹的自动化排产调度是不现实的，它忽略了具有最终决策职责的排产调度行家的重要作用。
-多种排产调度方法的结合
与已有信息环境的集成：现有企业都已具有了自己的信息技术基础结构，排产调度系统应能与现有环境进行通讯与信息交换，并作为信息系统的一部分，因此应提供与标准系统（如数据库、网络等）的通用接口。
相关技术
从系统分析方法学角度而言，解决车间作业优化排产调度与控制主要涉及：
-运筹学：
复杂系统分析、各种数学模型的分析与建立。
-人工智能理论：
神经网络的方法、基于智能搜索的方法、基于多代理技术的合作求解的方法。用于实时控制的动态排产调度及建模方法。
从信息技术角度而言，车间作业排产调度与控制技术是计算机应用领域面临的一个非常重要的难题，主要涉及的关键技术有：
-计算机网络与通信技术
-数据库技术
-系统建模与仿真技术
-人机接口
-虚拟现实技术
四、优化算法策略驱动智能制造
企业的生产计划与排程系统的演进，由传统的库存计划与控制系统，发展为物料需求计划(MRP)系统，再发展为制造资源计划(MRPII)系统，尔后演进到企业资源计划(ERP)系统。
然而在面临新世纪的今天，供应链管理(SCM)越来越受企业所重视，而在供应链管理中企业所需要计划的对象不再只是企业个别的资源，还包括了供应商与顾客的整体资源；计划范围也不再只局限于企业本身，而是涵盖了整个供应链，面对如此的改变，传统上基于某些假设下且利用较为简单的计划技术与方法，来解决企业生产计划与排程问题的生产计划与排程系统，已不再能够满足企业的需求。取而代之的是高级计划与排程系统(Advanced Planning and Scheduling；APS) 。
APS系统可以为流程行业解决顺序优化问题，为离散行业解决多工序、多资源的优化调度问题。为流程和离散的混合模型同时解决顺序和调度的优化问题。对项目管理与项目制造解决关键路径和成本时间最小化问题.
APS系统可以考虑不同行业的解决方案。APS的主要着眼点是工序逻辑约束和资源能力约束，物料和工序流程紧密联结，各种优化规则，计算最早可能开始时间和最迟可能开始时间，物料可重分配和可替代,资源可重分配和可替代。计划排程考虑柔性缓冲抗扰度,考虑成本优化约束,考虑非确定流程和统计概率论，考虑多种优化方案的模拟比较分析等
一、考虑制造行业与生产计划特性
当设定营运目标及规划生产资源时会基于所处的竞争环境及核心竞争力来决定其资源分配的模式，因此，对于APS系统的需求及适用性也因此有了不同的计划方式。 大致而言，APS系统可区分为以物料计划为导向及产能计划为导向两种:
1、物料计划导向
当产业属于原物料取得不易、原物料成本价格起伏剧烈且产品生命周期极短的模式，对于详细的作业排程较不注重而著重于投入产出的计划时，其排程计划系统则适用以高级物料规划(Advance MRP)为主，以高级产能计划(Advance CRP)为辅的排程系统，如: 电子装配业、系统组装业、服饰业等。 常见的国外系统如: SAP APO、Oracle APS、i2 FP等。
2、产能计划与详细作业排程导向
当产业属于制程复杂且设备成本高昂，企业营运目标追求的是高设备移动率、低存货水准及高产出的绩效，如何详细且完全考虑产业制程特性、排程限制与派工法则以规划出各设备日排程成为生管人员主要的工作任务时，其排程规划系统则适用以产能计划与详细作业排程导向之排程规划系统，如:半导体产业、光电产业、PCB产业及光碟产业等。 常见的国外系统如: Asprova、Adexa、i2 DS等。
二、APS系统的功能特色与计划目的
1、同步规划(synchronized planning)
根据企业所设定的目标(例如：最佳的顾客服务)，同时考虑企业的整体供给与需求状况，以进行企业的供给计划与需求计划。
2、考虑企业资源限制下之最佳化计划。
在进行生产计划时能够同时考虑到企业约束与目标，以拟定出一可行且最佳化的生产规划。
3、实时性计划。
信息科技的发展使得生产相关资料能即时的取得，而APS系统能够利用这些即时性资料，进行即实时的计划(real timeplanning)，使得计划人员能够即时且快速的处理类似物料供给延误、生产设备当机、紧急插单等例外事件。
4、辅助决策能力。
可提供计划人员进行事前模拟分析或是事后规划结果的分析比较，以帮助计划人员作出正确的决策。
三、APS系统计划逻辑
制造现场充满变动，排程就像是下一盘棋：计划导向排程好比是事先决定每一步走法而不动态考虑对手下一步；现有即时派工虽能动态回应对手，但因区域性而不能综观全局，预先考虑未来步数。
APS系统内建模拟探索演算法逻辑，将排程引擎扮演如IBM“深蓝”(Deep Blue)在西洋棋局与棋士对奕的角色，经由模拟推演现场未来每一决策点的状况，在考虑该点当时的约束及未来的状况，计算出每一决策点最佳可能的决策，排程系使用探索演算法模拟现场产生，而不是经由数学模式解得。其与“计划性排程”比较，较直觉可行，不易受到与现场不一致的约束影响，而与“实时派工”比较，无区域性，能对资源作较有效计划，而达到企业追求高设备效率、高产出率及低存货库存的营运目标。
四、APS排程技术
以往，碍于传统信息科技能力（包括处理速度与储存能力）的限制，企业应用数学规划（例如线性规划Linear Programming）及系统模拟（Simulation）等技术来解决生产计划与排程问题时，无论在计划时间或计划效益上均不易达成预定目标。然而由于信息科技的长足进步，大幅提升企业运用高级计划技术于生产计划与排程的可行性，APS系统的倡导与日趋普及即是一最佳范例。
一般而言，APS系统所应用到的规划技术可概略分为三类，分别为数学模式（mathematical model）、网络模式（network-based model）与模拟方法（simulation-based approach）。兹说明如下：
计划方式：
数学模式：首先建立数学模式，进而求解。
优点：目标明确且可求得最佳解。
缺点：可能得到不可行的解。重复性作业较多且较为稳定的连续型程序式生产环境。
网络模式 ：由上而下的计划方式。
优点：避免冲突、预知瓶颈资源，生产与物料供给同步化。
缺点：较不重视机器设备使用效率的提升。以顾客订单为主要考虑因素的生产环境。
模拟方法：由下而上的规划方式。
优点：较佳的机器设备使用效率。
缺点：较难达到整体最佳化的目的。重视机器设备使用效率之资产密集产业。
五、结论
整体而言，APS系统可扮演替代或强化以MRP逻辑为主的企业资源规划系统(例如：ERP、MRPII等)中的生产计划与排程功能，以支持生产计划人员制订相关的决策。目前，各APS软件供应商所提供的APS系统在功能与适用产业类等方面均各有特色，企业应审慎的检视与了解企业本身的特性与需求后，再选择最能够符合需求的APS系统，必须与企业的其他相关系统(例如：ERP与MES)有效整合，才能发挥企业资源整合的效益，达到快速回应顾客需求的目的。
五、排程调度系统的共同的架构与展望
ERP在经过几十年的实践，在业务应用上，已经很难支撑业务的深入应用，必须从初步应用向扩展应用的发展。
比如扩展应用包括客户关系管理CRM、供应商关系管理SRM、工程研发管理PLM、计划管理APS、车间管理MES、库存管理WMS、成本管理ABC、设备管理EAM、质量管理QMS、人力管理WFM、工作流管理BPM，多系统集成中间件技术，决策支持用BI。并支持精益生产、数字化车间、SCM供应链优化等。所以我们应重新思考ERP价值来满足企业深入应用。做为ERP的平台，已经可以支撑多个系统的集成的骨干（backbone）。
AMR提出基于ERP骨干（backbone）的新的信息化架构，如下图：
所以，各个软件公司都各自及时推出了APS软件。尽管种类很多，但是多数APS都能找到共同的结构特征。一般，APS由若干软件模块组成，这些软件模块又分成若干组件构成，每个软件模块执行某项特定的计划任务。
SCOR模型论述了供应链计划中最重要的几个任务，并从两个方面，即计划时间跨度（planning horizon ）和供应链流程（supply chain process）方面对其分类。SCP矩阵的某一特定部分（如中期采购、生产和配送计划）通常由各自的软件模块进行处理。这些模块的名称因APS供应商而不同，但是它们所支持的计划任务基本上是相同的。
下图中一些与APS供应商无关的名称，试图刻画出各个软件模块主要计划任务的特征。
通常APS不都能支持上图中提到的所有规划任务。目前，我们仅对软件模块结构和所涉及到的规划任务做大致的了解。
战略网络规划（Strategic Network Planning）包括所有四个长期规划，特别是工厂选址（plant location）和分销结构（physical distribution structure)设计。战略销售规划（strategic sales panning）所引发的一些问题（如在某个市场上该投放哪些产品）也可以包括在内。基本上，该规划决定了供应链设计和供应商与客户之间基本物料的流动。
战略销售规划进一步的任务（如长期需求预测）和和中期销售计划一般由需求规划（Demand Planning）模块支持。
大多数APS软件供应商都提供需求履行和CTP（Demand Fulfillment ＆CTP）组件，我们用它来制订短期销售计划（short-term sales planning）。
主计划（Master Planning）在中期计划的层次上协调采购、生产和配送。一般会同时考虑配送计划、产能计划和中期人员计划。此外，它也支持主生产计划（master production scheduling）.
如果制订生产计划与排程（Production Planning and Scheduling）的任务由两个不同模块承担，那么第一个模块负责确定生产批量（lot sizing），第二个模块则用于制订机器排程（machine scheduling）和车间控制（shop floor control）。但通常来说，是由一个单独的模块来处理这三项工作。因为非常详尽，所以短期计划层次上制订的计划特别受生产系统组织结构的影响。因此，必须明确所有瓶颈。如果企业采用多级生产流程和产品结构，还必须用一体化管理的方式对其进行协调。为了满足特定行业的特殊要求，一些软件供应商还提供其他种类的生产计划与排程模块。
短期运输计划（transport planning）由相应的模块来完成。有时候，还要增加分销计划（distribution planning）模块来制订比主计划更详尽的物料流动计划。
展开BOM与订购物料（BOM explosion and odering ordering of material）的工作常常留给ERP系统，ERP传统上就是用以支持这些功能的，而且无论如何这些工作都是交易系统完成的。至于那些非瓶颈物料，完全可以在ERP系统内展开BOM。但ERP系统无法支持原材料和零部件的“高级”采购计划，这些计划应该涉及备选供应商、数量折扣、供给量的上下限（上限受原材料供给量不足的影响，下限受中期供应协议的影响）等因素。只有少数APS供应商推出了特殊的采购与物料需求计划（Purchasing＆Material Requirements Planning）模块，该模块可以直接支持（中期到）短期的采购决策。有时，至少会存在一个协作（Collaboration）模块，它有助于加速传统上制造商及其供给者之间互动（协作）的采购流程。不过这种“高级”模块并不多。
APS模块都致力于决策规划。但是，系统的输入信息（inbound，供应商不可靠、机器设备故障）和输出信息（outbound，未知的客户需求）都存在着不确定性。为了抵御这种不确定性，就必须利用缓冲系统，即或者保有安全库存，或者设定安全时间。缓冲不确定性是涉及整个供应链流程的工作，并且实际上无法将该项工作分配给任何一个单独的模块来完成，因为它因特定行业和制造策略而不同。多层的优化安全库存计算和分配一般在需求计划模块处理。
不同行业的供应链的计划工作存在很大的差异。短期计划工作更是如此。APS软件供应商正在逐渐意识到这一点。因此，他们就同—项计划工作提供几个组件，甚至几个模块，来针对特定类型供应链的特性。
软件模块可以被看作某种“计划包”（planning kit）。用户可以购买、安装、使用那些业务需要的模块。大部分情况下，无须安装APS供应商提供的所有模块。有时候（但不经常），也可以将不同供应商的APS模块结合在一起使用。
另一种方法也可能某些APS供应商并不提供所有计划工作所需的软件模块，看起来他们又好像对提供完整解决方案很感兴趣。这时，就可以推出供应商和客户的协作模块。更多时候，APS供应商会将APS模块同ERP、CRM软件捆绑在一起销售，构成一全面的供应链管理软件。因此，当你在浏览各软件公司网页的时候，有时很难找到这套软件中的计划模块（特别功能上），也很难证实前面所提到的APS结构。
有时候，软件模块也用来执行一些原先设计中没有的计划任务。例如，可以用主计划模块制订分销配送计划。如果各模块的模型特征非常相似，且同样的计算方法可用于解决不同类型的问题，这种情形就会发生。
除已经提到的软件模块外，供应商经常还提供额外的软件组件来协调不同模块的工作，同时与其他软件系统（如ERP系统或数据库Data Warehouse）相结合使用。
但是，做技术准备来建立不同软件模块之间的信息联系只是第一步。关键问题在于哪些信息应及时流到哪一点上。所以问题在于设计、实施规划概念，这些规划概念将根据企业和整个供应链的目标以最有效的方式协调那些软件模块。并且必须满足不同类型供应链的特殊规划要求。通常情况下，APS供应商为特定行业提供解决方案，也就是说他们设计一套软件模块来更好地服务某一行业。
软件供应商也经常提供（通常使用因特网技术）对位于不同地点供应链伙伴进行一体化管理的工具。这些软件组件为整个供应链的中、长期规划提供必要数据，并将集中规划的结果传送到各单位。大多数情况下，都要有一个警报系统来集中规划和各自规划之间的互动。由于因特网技术可以用于各种用途，所以APS供应商将提供越来越多的电子商务工具，例如为购买原材料开放虚拟市场所用的工具。
供应链主要关注“协作”。市场主要是通过价格机制来完成两方或多方之间的协调，因此，协调的本质是竟争，而协作或联合规划（Collaborative planning）的重点是供应链管理所追求的合作。
从供应链中某成员的角度来看，两方面的协作对其SCP钜阵（销售和采购方面）都非常重要。两种协作的差异在于与客户的协作是离心型（divergent）结构，而与供应商的协作是向心型（convergent）结构。
销售协作（Sales Collaboration）的一个主要应用是中期联合需求计划（mid-term collaborative demand planning），双方以迭代的方法联合做出预测。在这一过程中，需要对预测进行协调和调整，例如以审判法预测，而不仅仅是汇总数据。特别是在缺货情况下，短期联合预测通过提供备选的产品配置、交货日期和价格等方面的附加信息来支持普通ATP流程。
中期采购协作（Procurement Collaboration）流程的任务是就采购计划达成协议，而该采购计划源于主计划。企业需要将产品总量分解，并根据各供应商的供给能力进行分配。迭代式的协作流程能够很好地评估供应商的能力，并加以充分利用。因此，有可能生成避免物料短缺的采购计划和交货安排。
APS系统的供应链建模以支持其长期到短期的决策。对与订单履行流程相关的计划任务的一体化管理引领着我们进入了一个新的时代，一个对整个企业、整个供应链活动进行计划的时代。
因此，APS系统带来的丰硕成果不仅体现在竞争力的三个关键要素（即成本、质量和时间）上，还将使：（1），流程更加透明；（2），提高灵活性；（3），发现系统的瓶颈因素。
整个供应链上随处可得的信息将产生更加透明的订单履行流程。这使得企业和供应链可以为客户提供有关订单状况的准确信息。一旦由于意外事件导致订单交付延迟，系统也可以及时发出警告。但是在此之前，决策者也寻找、考察其他履行订单的方法，可能是从别的仓库、别的工厂发货，也可以是提供更高级的配件。不仅如此，透明的流程可以减少整个供应链上的浪费，因为过量库存或资源的利用率过低造成的浪费可以被及时发现，且可以提出改进的方法。更重要的是，APS系统的最优化功能可以从一开始就使浪费最少。
随着市场和客户期望的迅速改变，供应链不仅要对这些变化做出反应，还要能预测新的趋势。有些时候，整个供应链上的关键成员就有可能达到这种效果。而另一些时候，灵活性开始扮演重要角色。灵活性可以从两个方面进行讨论，一是能在现有存货水平、装备和人员基础上应对实际需求的变化；二是随着时间的推移，供应链随市场的变化而进行调整，这就是称为敏捷性。APS系统可以同时对这两个方面进行支持。例如，CTP模块可以给出利用当前存货最有效的方法，同样，生产计划与排程模块也可以迅速对新订单组合再次进行最优化处理。APS系统也可以加强供应链的灵活性，因为冻结的（不可改变的）时间跨度显著地缩短了。最后，中期的主计划不仅可以协调各分权的决策单位，还可以随时间的推移制订计划，保持合理的灵活性。
为提高竞争力，持续改进过程的关键就是要发现系统的约束因素。不同的计划层次都可以发现系统的约束因素。比如，中期主计划不仅给出既定条件下的最佳解决方案，也同时揭示了瓶颈因素，也就是使我们无法实现更高目标的因素。找出解除约束因素的方法就可以更进一步提高企业的竞争力。这样，我们就可以找到几个可供选择的方案。与过去相比，现在给出方案、找到答案不再是几个星期的事，而只是几个小时的问题。因此，管理人员和计划人员可以比以前更紧密、更有效地合作。
有人会认为上述一些看法仅仅是幻想，但是正如一些成功的实践所表明的，已经有一些行业使用APS，而且已经显示出显著的进步。为了将成功扩大到更多的企业和供应链，必须注意三个主要问题：
1、提高APS系统建模和解决问题的能力；
2、将APS系统的应用范围扩展到多中心的供应链；
3、向管理人员和咨询人员提供特殊培训。
由于大多数APS系统都还在发展，我们希望在不久的将来能引入更多的特色，但是，模型的标准结构还将保持稳定。一些模型的经验表明，对给定（生产）流程的建模还有一些局限性，因为供应链必须迅速适应新的市场潮流，所以模型应该既易于学习，又能迅速实施，支持随需而变的个性化需求的SOA或云平台架构。同样，人们也希望由同一个APS系统提供商提供的所有系统都使用类似的语言（不幸的是，现实并非如此）。
另外，我们也发现并不是所有生成的模型都能在合理的时间内解决问题，或者无法给出令人满意的解决方法，但对模型作微小改动就可以明显提高其解决问题的能力。因此，我们仍在寻找方法来提高模型容量，有效地解决更庞大的问题。
迄今为止，APS系统最适用于集中控制的供应链，如由核心企业来使用。尽管从原理上来说，在多中心供应链上实施APS不会有任何信息交换的问题，但是我们无法假定所有人都愿意在“一目了然”（如成本和可用的生产能力）的基础上进行运作。虽然己经引入了联合计划，对于“如何调整不同计划主体制订的计划”的认识仍然在起步阶段。近来，有人提出一些建议，如将供应链上两个相邻计划主体之间的接口看成是“代理”关系。
为了更有效地使用APS，管理人员必须接受符殊培训，使他们能够解释解决方案，能辨别出与供应链其他部分的接口，能建立假定条件并对警告做出适当的反应。现在的咨询人员除了掌握项目管理、变化管理以及信息科学的基本知识以外，还必须有针对APS不同模块为供应链建模的知识和经验。模型既不能太详尽，也不能太概括，要能支持决策系统，还要有一定的计算能力。不完全的模型不但不能提升反而会削弱供应链的地位。
引进APS不单纯是在公司现有软件中加入新的软件包，恰好相反，它将取代许多过去的所谓计划软件。同时，一些过去需要由多名员工参与的决策（如为车间排程）将会自动生成。因此，一些员工将被调到其它岗位，这也许会造成某些抵触情绪。另一方面，APS强大的最优化能力将产生比以前更好的计划，还会以图形交互式方法附带产生对其它方案考察的结果，从而使人们更满意。
最后，我们必须谨记引进APS系统将改变企业或供应链的运作方法。满足不同市场细分的业务流程应该在组织结构上反映出来。为了能实现供应链整体的最优，而不陷入次优的陷阱，那些包括不同法律主体或利润中心的企业必须建立一个有效的奖励机制。最近一些有关APS实施项目的案例证明上述建议应当认真对待。某些APS用户或许发现供应商的承诺、咨询人员和APS软件的能力与他们的期望有些偏差。为了让各个成员的看法更现实，一个好办法就是找到样板。同样，伟大的梦想不可能一蹴而就，逐步引进供应链管理（SCM）的思想和软件支持系统似乎更合时宜．
最近，APS供应商非常努力地将各行业企业的计划制定和APS的能力结合起来，例如解决多层次供应链安全库存的问题或者引入不同计划层次上不同批量规模的问题。为了更好地适应而采取的进一步战略就是设计个性化的模型，这个模型只集中解决特定行业的特殊需求。
供应链管理（SCM）和APS 同信息技术和通信技术的新发展密切相关。由于电子商务和互联网技术的迅速发展，订单履行流程就需面对新的挑战。
现在，我们必须重新探讨如“供应链的实施″或“客户关系管理”等课题，现在，一些软件供应商甚至宣称APS仅仅是一个大软件包的一部分。尽管如此，我们仍然应该牢记APS作为供应链计划的优化引擎，整合各模块和数据流仍然是个艰巨的任务。
至于SCM整体的未来发展，人们将看到SCM将不仅仅专注于订单履行流程，还将整合其它流程如PLM、EAM、BI、BPM、MES、WMS、TMS等流程。
六、智能制造与工业4.0下的APS
作为智能制造的源头，智能计划排产是工业4.0的核心技术之一，只有实现计划排产的精准化与最优化，才能实现整个生产过程的智能化。
在实现CPS之前，应用APS系统，一方面提高了实际生产与进行计划的信息技术系统的价值，另一方面也提高了生产管理人员和所使用的信息系统的共同生产力。
APS系统必须应用工业大数据技术，制造业面对多品种小批量的生产模式，数据的精细化、自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的历史数据，对于需要快速响应的APS来说，是一个巨大的挑战。
在工业4.0理论，APS、MES、PCS必须嵌入式融合，通过行业经验知识，建立合适的计划与排产模型，对所需的实时数据，动态智能决策。这应该是工业大数据的关键应用。
APS系统也正朝着分布式计算（智能代理技术等）和自主认知计算（人工智能、机器学习等）发展，形成工厂级的CPS（CyberPhysical Systems）信息物理系统，其特点分布式计算、自主智能决策。
数字化工厂平台是CPS平台的基础，要实现分布与自主（CPS的关键特征），还有很长路要走。也就是说从计算智能APS到认知智能CPS，需要计算架构的颠覆！
APS高级计划排程系统是20世纪后50年发展起来的革命性管理技术，融合了现代新技术与先进的管理思想，是计算机技术与管理思想的结晶。APS弥补了ERP在计划上的缺陷，成为今天计划的核心。但是，由于信息基础设施落后、企业信息化程度很低，APS系统应用在我国还有很长的路。随着我国社会信息基础设施的日益完善、企业信息化水平的逐步提高，中国制造2025的智能制造的强力推进，可以预言，未来三到五年内，APS在我国的应用将开始进入实质性阶段。
七、关于APS的一些再思考
智能制造、智能供应链不仅仅是“连接就是一切”，更重要的“智能优化决策”。在美国GE的工业互联网、德国西门子的工业4.0、日本丰田的精益TPS、中国的两化融合数字化工厂的实践中却忽视了核心智慧的APS计划与优化，让连接的万物做正确的事。
APS或智能优化计划与排产调度决策，让机器和人做正确的事，才是工业4.0、工业互联网、智能制造、智能供应链的核心。局部的改善和局部智能化并不能给企业带来最高的客户服务水平和最小化总体成本。
有网友说我搞APS是追求ERP全自动化，提前搞共产主义，太理想化了。要知道MRP产生于上个世纪的五、六十年代，时代环境已经发生了巨大变化，现在21世纪的今天已经是智能互联时代了。
企业计划模式的选择是多样化的，应根据不同产品的制造策略和库存策略来优化平衡，但没有集成销售计划、生产计划、采购计划的一体化智能计划系统，是很难适应这个快速变化的时代。
很多企业以为按照JIT的滚动计划N+1实现年、月、周、日滾动就可以拉动了。如果上游工序的生产周期，外加工、釆购期过长，靠提前二至三天的日顺序计划和看板是拉不动的。要么主动缩短周期、要么上游备库存计划、要么上游推式结合下游拉式“推拉结合”。
其实APS也不是追求全自动的ERP，也不是理想化的。只是ERP里的MRP生产计划排程部分能够做到基本的：如计划是可行的（受到约束）、计划是可视的、计划是实时的，计划是可以人际交互的、容易使用的，可以模拟分析即可。
APS应该与ERP或MES集成，形成闭环的应用，用实绩数据反馈来修正重算。需要与ERP或MES的模型结合，APS的算法要能在项目中扩充，扩充特殊约束算法，APS的实施难度不能小视，需要对应用场景熟悉、工艺熟悉、能搞清楚优化目标，约束条件、边界条件等。
APS优势就是要处理多品种、小订单的按单生产，按单采购，能够及时发现及纠正处理意外的波动，从而发现是物料问题还是产能问题，引起的交货期延期与物料短缺等。
关于基础数据的准确也是逐步的，可以对关键产能工时进行管理，也可先放宽计划排程的颗粒度，比如以班次或关键资源组。以后，再持续改善。
APS的行业性特使性较为显著，对于流程行业、自动化水平较高、数控设备较多的企业，其实APS与MES已经分不开了，有时可能还需要DCS的支撑。对离散行业，APS系统只要采集数据终端方便集成即可或机器数据实时采集MDC。
企业必须有预测经营团队与组织，比如IBM的GTO和西门子的Pictures of the Future团队。是战略、企划、销售、经营等组合的专业团队。预测经营偏重销售预测和洞察未来，而预算偏重分解与监控。要会做日、周、月、年等滾动预测需求计划和高层管理的S&OP。尤其是在这个大数据时代，企业应由观察转向洞察。
随着组织的分权、去中心化趋势，集团的集中计划模式因应对快速复杂多变环境和激励自主化，故即需要可以集中协同，也可以分布式自主灵活的计划应变。移动互联技术、云计算、大数据的到来，使得分布式计划更实际且又可以快速磨合进化，达到次优状态。
企业可以利用APS主动（proactive）掌控未来，整个供应链SCP协同(collaborate)，执行快速响应（reactive）执行。所以，一个是否高效的计划体系和先进的软件优化工具已经约束了企业的生存和发展，对企业的计划体系从组织、流程、绩效、IT应用进行系统的的咨询改善优化已经迫在眉睫。
制造供应链类的APS软件完整解决方案：
1、销售预测和需求计划
2、整合多工厂集中式或分布式计划
3、订单承诺计划与接单与插单模拟
4、库存计划与运输计划、配送排程
5、供应商协同计划与JIT/JIS供货排程
6、约束物料计划同步能力计划
7、智能车间作业调度与排产
8、多种可视化甘特图和人机交互、反复模拟分析
9、实时动态滚动重排
10、基于规则或运筹优化算法
八、总结
随着工业4.0和智能制造转型逐步深入，满足多品种小批量、快速交付客户化定制已是核心能力。做为智能制造的源头，APS是智能制造核心技术之一。只有实现了计划排产的精准化、最优化，才能实现整个生产柔性的智能化。
为方便读者查阅，APSS协会现汇集蔡老师论APS专辑如下，以方便读者查阅：
11、MES调度和数据是APS计划排程管理的基础
16、人工资源的计划与调度逻辑
17、如何动态计算订单优先级？
21、关于APS的一些再思考
27、如何选择正确的APS系统
29、APS的前生今世
30、高级排程的规则优化
31、趣谈排程规则
33、关于APS的FAQ
41、高级计划AP（Advance Planning)是如何运作的？
44、在有约束的世界中追求极致-记APS专题培训Sony专场
47、约束主导优化CAO（Constraint Anchor Optimization）
50、【培训视频】APS高级计划与排程原理之一：APS概论（共九集）
51、【培训视频】APS高级计划与排程原理之二：APS历史与行业软件简介（共九集）
52、【培训视频】APS高级计划与排程原理之三：APS高级计划（共九集）
53、【培训视频】APS高级计划与排程原理之四：APS高级排产（共九集完）
55、蔡颖：2016中国（南京）智能制造应用论坛的演讲PPT-APS如何迎接工业4.0的挑战（60页）
63、Supply Chain Control Tower-供应链控制塔指挥系统
65、2017携手前行：APS高级计划与排程专题
工业互联网
产业智能官 AI-CPS
加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。涉权烦请联系协商解决。联系、投稿邮箱：erp_vip@hotmail.com
相关内容
微信扫码咨询专知VIP会员