生产计划调度的灵魂：约束规则[合集5篇]

第一篇：生产计划调度的灵魂：约束规则

生産计划调度的灵魂：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，因爲，它是有潜力解决现实中的非常难的问题。不仅基於很强的理论基础，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演算法，还是用人机互动式的仿真方法，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産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，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 的简单的逻辑关系，在给定的领域，每一个约束取一值。约束就限制了变化所带来的可能的值，它反映部分资讯，约束也可以是不协调的，它可以在不同领域 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。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，因爲约束很少是独立的。，所以，我们不得不接受的现实是这些问题比较复杂。

约束计划是基於约束规则的电脑系统的程式，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。计划调度的实施的关键是基於约束规则，基於约束自动的调配资源，优化计划，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（Jobshop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（Flowshop调度）。

如你的主要目标是一个满足所有任务规定的完成日期吗？ 还是你重点是提高设备利用率，减少非生産时间（准备时间和设备维护时间）？ 确定基本计划的目标是选择合适的规则的先决条件。一旦决定你的目标，你就可以选择规则来完成目标。

一、基於订单（Job-based）排程方法

工作中心WC A 有两个资源 工作中心WC B 有一个资源

订单MO-1 最高优先顺序。

订单MO-2 次优先顺序

是基於订单的优先顺序决定下一个订单的加工，可以自动识别订单的优先顺序和手工定义优先顺序，在电脑自动的根据规则的优选级排出生産计划後，还可以手工介入，修改优先顺序进行重排。以满足复杂的现实的需要。

约束规则如下：

（1）瓶颈：基於次要任务选择规则的排列。向前和向後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馀任务。

（2）完成日期：基於最早完成日期。

（3）先到先服务：按照先到订单，先安排生産。

（4）升幂订单属性值：按规定的订单升幂的值排列。订单的属性可以是数值，字母。

（5）优先顺序：按照最小数值优先。如果你用此规则，优先顺序栏位必须在订单上定义。

（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。

Page 1 of 8

（8）相反优先顺序：按照最大数值优先。如果你用此规则，优先顺序栏位必须在订单上定义。

（9）闲散时间：按照最小闲散时间优先。

二、基於事件（Event-based）的排程方法

是基於高利用率的方法。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。

针对不同産品和资源，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，主要考虑的是什麽是一个好的计划标准？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，然後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於这个资源，采用OSR。此规则决定那一个工序被载入。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）最高优先顺序第一：选择最高优先顺序（最低值）的工序

（3）最低优先顺序第一： 选择最低优先顺序（最高值）的工序

（4）最高订单属性栏位：选择最高（最大）订单属性栏位的工序

（5）最低订单属性栏位： 选择最低（最小）订单属性栏位的工序

（6）动态最高订单属性栏位：选择动态最高（最大）订单属性栏位的工序

（7）动态最低订单属性栏位： 选择动态最低（最小）订单属性栏位的工序

（8）计划档案订单：选择订单 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=剩馀计划工作时间/（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=剩馀实际工作时间/（完成日期-当前时间

（11）最少剩馀工序（静态）：选择最少剩馀工序时间的工序

（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=任务剩馀完成时间-剩馀工作时间

工序闲散时间=任务闲散时间/完成任务的剩馀工序数

（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）最小工作剩馀：选择所有需要完成订单的最小剩馀过程时间的工序。

资源选择规则（RSR）Resource Selection Rule

RSR选择工序载入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

Page 2 of 8

（4）与前工序一样： 选择被用於前一工序的资源

（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）系列顺序回圈：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）定时区的系列顺序回圈：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 的订单完成日期 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 的订单完成日期 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 的订单完成日期 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 的订单完成日期 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 的订单完成日期 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：爲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类比时间时不需要再次评估。用於工序选择规则的叁数是固定的。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。因爲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，我们是基於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，因爲工序的空闲值随时在改变。因爲动态选择规则需要在每一次事先类比以後检查在排队中的每一个工序，它比静态规则要慢一些。

爲有助於分析规则，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、预先确定任务的叁数。

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援这些目标。规则的分类目的是帮助你爲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於你的计划问题。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叁数：是基於预先定义订单任务的优先顺序来选择下一个工序或用户规定的属性栏位（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

Page 3 of 8 先顺序，最低优先顺序，最高订单特性栏位，最低订单特性栏位，动态最高订单特性栏位，动态最低订单特性栏位，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。

最高优先顺序和最低优先顺序是分别用最高或最低优先顺序选择工序的静态规则。

最高订单特性栏位，最低订单特性栏位是和优先顺序规则相似的静态规则，除了基於用户定义属性的选择。例如。最高订单特性栏位规则用一个属性栏位定义，如由成本的最高值来选择任务。因爲这是一个静态规则，它假设当订单任务正在等待处理时成本是不变的。

动态最高订单特性栏位，动态最低订单特性栏位规则是动态的。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栏位可以改变的情况。

计划档案订单规则是一静态规则，是基於已进入资料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，它是基於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。预先确定任务的叁数规则一般用於订单任务的特性的情况。（如优先顺序或成本），不考虑任务完成日期或设备利用率。因爲这些规则忽略完成日期，它们典型更适应面向库存生産（MTS）环境，而不是面向订单生産环境（MTO）。

最小化任务延缓：在许多面向订单生産环境（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於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於每一个工序的平均闲散时间（订单任务计算的闲散时间/剩馀工序数量）而不是任务的剩馀闲散时间。这个基於闲散时间的规则形成的基本想法是每一个剩馀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，我们会选择最大剩馀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。

基於闲散时间规则的最後的差异是关键率。这个规则选择父项任务有最大关键率的工序。关键率是剩馀工作时间/（剩馀工作时间+闲散时间）。注意只要闲散时间是正的数，分母大於它，关键率就小於1。就此，任务还没有延迟。如果关键率大於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。不同的是它的剩馀工作已完成。它的基本的前提是剩馀闲散时间本身在决定最关键订单任务时并不重要，即相关的剩馀工作已完成。如我们有许多剩馀工作，那麽，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 忽略任务完成日期而集中於减少订单任务的时间。这类规则包括最小化流程时间，最少剩馀工序，最小工作剩馀。这类规则是基於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。

Page 4 of 8

案例一：

有二个订单任务A，B。在单一的机器上加工处理。让我们假设任务A需要4小时，B需要量10小时。如我们加工A，B，任务A立即开始及4小时完成，産生4小时的过程时间。任务B开始等待4小时，加工10小时産生14小时。两个订单一共用了18小时，所以平均过程时间是9小时。

如我们把加工顺序倒过来，B的过程时间是10，和A的过程时间是14。两个订单一共用了24小时，所以平均过程时间是12小时。

虽然，这是一个非常简单的例子。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。最小化工作剩馀规则是动态规则，它是基於父项任务的最小剩馀工作选择工序。剩馀工作是对所有任务的剩馀工序的合计时间。最小化过程时间规则检查单一工序的加工时间，而最小化工作剩馀规则检查所有的剩馀工序的加工时间。最少剩馀工序规则和最小剩馀工作规则相似，除了这个规则是基於剩馀工序数量而不是过程时间的合计。

最大设备能力：在一些面向库存生産的环境（MTS）中，关键的问题是设备效率。即最大化整个设备的生産能力。在最大化设备能力规则 忽略任务的完成日期而集中於设备的能力效率来産生计划。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産时间。

如果我们爲整个工序的排序，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。

案例二：

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，我们也许要处理顔色顺序A，B，C，D，E的订单，这就称爲系列顺序。如果我们刚要加工顔色A，我们会首先寻找有顔色A的其他订单。如没有，我们会寻找顔色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。（如油漆顔色，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，或使系列值上下回圈。

在增加系列的情况下，系列升顺序规则选择一系列值并大於或等於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。

案例三：

生産化工纤维材料时，根据産品的型号和厚度对品种进行分类，对品种的最优排産。

Page 5 of 8

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。

系列顺序回圈规则在增加顺序和减少顺序前後交替。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馀的订单。当这种情况出现，规则会转爲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回圈。

案例四：

在热处理时，温度是间隔的增加到最高，然後降低。

最小准备系列规则结合最小准备时间规则和系列顺序回圈规则。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。时区必须定义在资料库。如，你要跟踪顔色的系列，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顔色的改变。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産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，在选择所有的剩馀工序选择规则时，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後完成工序的资源。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、基於物料约束（Material Constrain）

当生産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後的工序。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，産生库存需求。如果它找到这样的定单，它将首先计划定单，然後计划工序的库存需要。如定单産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）

Page 6 of 8

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。

MO-3只有在MO-1，MO-2，PO-1完成後，才能开工。

因爲MO-1的延迟，自动调整MO-3的开工日期

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。

MO-3 只有在MO-1，MO-2，PO-1完成後，才能开工。

而MO-1延迟，导致调整MO-3只能用MO-2-1，PO-1，MO-1的物料，而原来的MO-2-2的物料可以重新分配到MO-2，PO-1的完成後就可以开工。

从库存取出约束（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。

放入库存约束（Put to stock kit）

定义从工序的父项産出结果。在我们做计划时，考虑産出的约束，必须考虑库位所能容纳的约束。

生産计划根据産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爲资源，也可以作爲约束物料，如你可以定义工具産生约束，如工具维修，故障。

总之，制造业对客户需求的回应越来越强烈。现在生産计划调度系统正开始将基於约束规则基因搜寻和类比仿真模式结合起来，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。因爲，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後排比约束进化（基因演算法）更有效。在许多约束模型 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，约束系统産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

Page 7 of 8 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套装软体。（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体供应商均采用此技术）

从较低层次的观点，视觉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。混合演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爲提高效率的方法，在这些系统，多层代理技术是最有前景。

Page 8 of 8

第二篇：生产计划调度

目前大多数仿真是以静态方式运行的：仿真系统仅以启动时确定下来的静态数据集作为输入，仿真运行过程中不能动态地向系统注入数据。如果有新数据到来，必须重新运行仿真系统。这就限制了应用仿真系统的分析和预测能力。而许多领域已形成了对动态应用仿真系统的需求，在此背景下，美国国家自然科学基金会（The National ScienceFoundation，NSF）提出了动态数据驱动应用系统（DynamicData Driven Application Systems，DDDAS）的概念和研究方向，试图将仿真与实验有机地结合起来，构成一种仿真与实验融合为一体的自然和谐的共生动态反馈系统。

各单元模块的功能如下

1．控制单元：控制仿真模型运行，抽取模型的状态特征数据与注入数据对比分析，据此调整模型和分辨率；控制实际生产线运行，根据仿真结果数据反馈生产线调度优化方案；控制数据采集，根据仿真结果数据产生数据采集策略，反馈数据采集模块执行。

2．仿真模型单元：根据控制系统指令，产生新的仿真目标策略。据此，从模型库调用相应模型进行新模型的构建，并动态调整模型或模型参数，达到仿真结果与仿真目标逼近。最后，将模型与仿真结果进行分析评价，并形成知识保存在知识库中，为完善模型库构建和模型选择提供依据。

3．人机接口单元：显示仿真结果，支持用户对仿真策略进行调整和控制，支持用户根据仿真结果对生产线运行进行控制，支持用户根据仿真结果对数据采集策略进行选择控制。

4．数据采集单元：根据控制系统指令，生成新的数据采集策略。据此，采集生产线上的数据，并且具备多信息源数据融合能力。

(一)动态数据驱动仿真单元

此单元由调度模块和仿真模块组成，完成调度方案的生成功能。

其中，调度模块包括相互协同的两个层次：上层模块是生产计划调度器，采用全局优化的方法，利用群体智能蚁群算法进行寻优，可产生一个静态的调度计划，其寻优时间长的问题可以通过多Agent建模的分布式计算能力得到解决。下层模块是实时调度模块，采用启发式的规则对生成的调度计划进行调整，并通过仿真进行分析和验证。当不确定事件发生，生产线上的环境变量发生改变时，该模块负责调整调度计划适应新的系统状态。如果在多个调度目标无法优化的情况下，通知上层模块，重新生成调度计划。整个过程是一个动态反馈过程。采用智能算法的优点在于能够从全局的角度进行优化，缺点在于模型描述的精度不高和易于陷入局部优化解；利用带启发式规则的仿真方法恰恰能够精确地描述模型和改善局部的解的性能，同时在较短的时间内生成优化的调度方案。上层的调度结果不仅会指导下层的调度过程，即带启发式规则的仿真是对智能蚁群算法产生的调度计划的局部修改；而且下层的调度结果也能帮助上层的调度寻优，启发式规则产生的某些局部优化解也可以作为启发信息指导蚁群算法更快地收敛。

仿真模块完成以下三种功能：首先，它能够实现用户可视化的生产线建模，模型的复杂程度可以根据用户研究问题的深度不同进行定义和设置；其次，为适应动态变化的生产环境，在仿真运行过程中，生产模型也可以根据生产线的具体情况进行自动修正，如某个设备失效等；最后，对调度模块产生的调度方案进行仿真，并把由此生成的对该调度方案的多目标评价值和对瓶颈设备的预测数据反

馈给调度模块，作为对下一步调度优化判断的依据。(二)动态数据驱动仿真控制单元

由中心推理机和辅助功能Agent组成，共同构成一个调度决策支持系统。中心推理机实现基于案例库或规则库的智能决策功能，辅助功能Agent在中心推理机的协同下工作，包括多目标管理Agent、优化策略管理Agent、调度仿真剧情管理Agent、调度因素分析Agent等四种类型的Agent，它们分别实现不同的控制功能。

多目标管理Agent：负责控制当前调度优化的方向，对调度方案评价函数中多个不同目标的权重进行动态的参数调整，实现调度目标与当前生产线的实际生产情况一致。柔性制造系统生产线调度问题是一个多目标的优化问题。短期优化目标包括：最大化生产量、最大化WIP移动步数、最小订单交货延迟率、降低加工周期、降低加工周期方差、降低WIP水平等。目标之间存在相互制约的关系，如何选取各目标优化的权重以平衡各目标优化的能力是需要解决的问题。各目标权值的大小比例是一个动态调适的过程。首先，它必须与我们生产计划对当前生产的要求和侧重点一致。同时，它也在不断地动态调整，保持与生产线当前的实际生产情况一致，完成这个任务需要中心推理机的协同，如基于案例库的推理等。

优化策略管理Agent：直接对调度和仿真模块下达指令，负责监控调度仿真的执行过程。优化策略管理Agent根据控制模块设定的优化目标或调度模块反馈的优化目标的达成情况，在中心推理机的帮助下，按照推理规则，进行模型和算法的调整，实现全局优化算法和局部优化算法之间的动态协作，当满足一定的条件时，返回优化的调度方案作为当前的最优解。

调度仿真剧情管理Agent：协助用户完成“what—if”分析。与传统仿真不同，动态数据驱动仿真是一种与生产线生产过程并行的仿真方法。因此，我们可以在仿真过程中设置多个时间断点，通过改变假设条件来进行生产预测；同时，也可以进行回放分析，这在传统仿真方法中是无法实现的。对多剧情仿真的管理由仿真剧情管理Agent实现；同时，仿真参数和得到的结果也将作为知识保存在案例库中。

调度因素分析Agent：接收来自数据采集模块的实时生产线数据，比较仿真数据与生产数据的差异，如果发现两者有较大的偏差，即参数超出了允许的域值范围，则使用中心推理机分析原因，并将分析的调度因素传递给优化策略管理Agent，作为调整调度模型和算法的依据。同时，将调度因素反馈给数据采集策略Agent，由后者按一定的策略完成下一步的生产线数据采集工作。(三)动态数据注入单元

由数据采集策略Agent根据调度因素分析A—gent反馈的结果生成下一步的数据采集策略，然后派出对应的移动Agent到生产制造EMS系统中采集生产线上的生产数据。由于柔性制造系统生产线由上百个生产设备构成，如果对所有的生产数据进行采集必然影响数据的采集效率，所以采用移动Agent既缩短时间又提高数据的精确性，同时还可以根据需要对数据作一定的预处理以缩小传递的数据量。

(四)用户界面交互Agent 负责把仿真数据展示给用户，同时，接收用户对仿真模型或参数的控制。使用户可以实时地控制仿真的整个过程，并利用仿真结果指导生产和数据采集过程。

模型运行机制

从图3中可见，动态数据驱动仿真的过程与生产线的生产过程是并行进行的。仿真系统根据一定的时钟节拍采样生产线上的数据；然后，将仿真数据与生产线数据作比较，使用因素分析Agent分析原因。如果发现两者有较大的偏差，即参数超出了允许的域值范围，则调整仿真模型，重新进行仿真。其中，仿真模型根据动态注入的生产数据完成自适应调整是整个DDDAS的核心，本文采用分层优化的思想生成调度方案，同时达到全局和局部的优化目标。首先，将智能搜索技术与离散事件仿真技术相结合，得到上层的调度方案；然后，应用优化策略Agent对仿真结果进行分析，找到进一步优化的方向，利用启发式调度规则进行方案调整得到下层的调度方案，并反复地使用仿真进行验证。不仅下层的调度方案建立在上层调度方案的基础上；同时，上层的调度模块接受下层调度方案的局部优化解作为启发信息引导搜索过程，以加快收敛，在较短的时间内得到全局的优化解。与传统的静态仿真不同，DDDAS仿真能动态地吸收新的数据，并将仿真过程同真实系统相融合，让二者相互协同起来。一方面，通过真实系统运行过程中产生的参数同步地对仿真系统进行调整，可以大大提高仿真的准确性、时效性、智能化；另一方面，通过仿真提供的数据同步地为真实系统地运行提供决策支持，这些将大大地扩展仿真系统的应用能力。

第三篇：生产计划调度大作业

《作业车间调度的非合作博弈模型与混合自适应遗传算法》 作者：周光辉，王蕊，江平宇，张国海

摘要：采用博弈理论，建立了一种基于非合作博弈的作业车间任务调度模型，在该任务调度模型中，将源于不同客户的制造任务映射为非合作博弈模型中的局中人，并将与制造任务包括的工序集所对应的可选加工设备映射为可行方案集，将使各制造任务的加工完成时间和成本组合形成的多目标综合指标映射为收益函数，从而将对任务调度模型的求解转换为寻求非合作博弈模型的Nash均衡点，通过设计的爬山搜索混合自适应遗传算法、自适应交叉和变异算子，实现了对该任务调度非合作博弈模型的Nash均衡点的有效求解，同时算例仿真结果也验证了所提出的调度方法的正确性。

根据数学模型和假设条件，竞争驱动的作业车间任务调度目标就是寻求使得每个制造任务均能达到综合目标值最小、利益均衡的调度结果。

《基于自适应遗传算法的Job Shop 调度问题研究》 作者：沈斌，周莹君，王家海

Job Shop 求解过程的计算量随问题的规模呈指数增长，已被证明是NP完全问题。因此近年来倾向于利用人工智能的原理和技术进行搜索，寻找复杂问题的较优解，特别是以效仿生物处理模式以获得智能信息处理功能的遗传算法研究最为深入。但是也有不足之处，早熟收敛问题，局部搜索能力，算子的无方向性，正因为这些不足限制了以遗传算法的进一步推广和应用，因此对遗传算法进行改进显得尤为重要。本文提出一种新的自适应遗传算法用以求解Job Shop调度问题。

Job Shop问题描述

一个加工系统有m台设备，要求加工n个工件，第i个工件ji包含m个操作（工序），需要考虑如下假设：

1）每道工序必须按照工艺顺寻依次在指定的设备上加工，且必须在前一道工序（如果存在））加工完成后才一开始加工；

2）工件在一台设备上一旦开始加工，便不能中断，必须等到加工完成后，才能加工另外工件，即某一时刻一台设备只能加工一个工件； 3）同一个工件不能同时在两个设备上加工；

4）同一台设备不能同时加工两个工件；

5）每个工件在每台设备上必须加工一次，也只能加工一次；

6）各工件的工艺路线jsn和每到工序的加工时间jt已知，且不随加工排序的改变而改变，转移时间和辅助时间忽略不计或计入加工时间。

《A Hybrid Genetic Algorithm for Job Shop Scheduling Problem to Minimize Makespan》 作者：Lin Liu, Yugeng Xi

In this paper, we present a hybrid genetic algorithm for the job shop scheduling problem to mimize makespan.How to improve GA performance is a critical issue when using a GA to solve optimization problems.The general way focuses on tuning its parameters such as population size, crossover rate and mutation rate.However, if all parameters have attained the useful bounds, the expected improvement is often not worth the efforts of finding even better parameters.More potential improvements can be only explored by modifying the size of search space.The set of active schedules is usually large and includes a lot of schedules with relatively large idle times on machines, and thus with relatively large idle times on machines, and thus with poor performance in terms of makespan.The proposed algorithm used the idea of hybrid scheduler to reduce the search space as well as the computational efforts.The search space can be reduced or increased by controlling the upper bound of idle times allowed on machines.Since the parameters of the hyubrid scheduler are unlikely to be determined appropriately in advance, we search better values of them in the hybrid GA evolution.Dissimilar to Gas in literatures, a chromosome includes not only genes representing the relative priorities of all operations but also genes representing the parameters to determine the upper bound of idle times permitted on a given machine before scheduling an operation.The random keys representation is used to encode a chromosome.Each element of the chromosome is a real number of [0,1].During the schedule generation phase, the SPV rule is used to convert a real number vector into a job repetition representation.Based on the hybrid scheduler, a chromosome is decoded into a feasible schedule.Finally, a local search is executed in the neighborhood determined by the critical active chain to improve the performance of the schedule generated in the schedule generation phase.nd In the 2section, we present the formulation of job shop scheduling problem to minimize makespan.In the 3 section, we describe the proposed hybrid genetic algorithm in detail.In the 4 section, the proposed algorithm is evaluated on benchmark instances.Finally, we conclude the paper with a summary in 5th section.《Hybrid Genetic Algorithm for Solving Job-Shop Scheduling Problem》 作者：S.M.Kamrul Hasan

The Job-Shop Scheduling Problem(JSSP)is a well-known difficult combinatorial optimization problem.Many algorithms have been proposed for solving JSSP in the last few decades, including algorithms based on evolutionary techniques.However, there is room for improvement in solving medium to large scale problems effectively.In this paper, we present a Hybrid Genetic Algorithm(HGA)that includes a heuristic job ordering with a Genetic Algorithm.We apply HGA to a number of benchmark problems.It is found that the algorithm is able to improve the solution the solution obtained by traditional genetic algorithm.《Scheduling jobs and maintenances in flexible job shop with a hybrid genetic algorithm》

Most flexible job shop scheduling models assume that the machines are available all of the time.However, in most realistic situations, machines may be unavailable due to maintenances, pre-schedules and so on.In this paper, we study the flexible job shop scheduling problem with availability constraints.The availability constraints are non-fixed in that the completion time of the maintenance tasks is not fixed and has to be determined during the scheduling procedure.We then propose a hybrid genetic alogorithm to solve the flexible job shop scheduling problem with non-fixed availability constraints.The genetic algorithm uses an innovative representation method thrdand applies genetic operations in phenotype space in order to enhance the inheritability.We also define two kinds of neighbourhood for the problem based on the concept of critical path.A local search procedure is then integrated under the framework of the genetic algorithm.Representative flexible job shop scheduling benchmark problems and fJSP-nfa problems are solved in order to test the the effectiveness and efficiency of the suggested methodology.《A Hybrid genetic algorithm for no-wait job shop scheduling problems》 作者：Jason Chao-Hsien Pan, Han-Chiang Huang

A no-wait job shop describes a situation where every job has its own processing sequence with the constraint that no waiting time is allowed between operations within any job.A NWJS problem with the objective of minimizing total completion time is a NP-hard problem and this paper proposes a hybrid genetic algorithm(HGA)to solve this complex problem.A genetic operation is defined by cutting out a section of genes from a chromosome and treated as a subproblem.This subproblem is then transformed into an asymeetric traveling salesman problem(ATSP)and solved with a heuristic algorithm.Subsequently, this section with new sequence is put back to replace the original section of chromosome.The incorporation of this problem-specific genetic operator is responsible for the hybrid adjective.By doing so, the course of the search of the proposed genetic algorithm is set to more profitable regions in the solution space.The experiemental results show that this hybrid genetic algorithm can accelerate the convergence and improve solution quality as well.

第四篇：生产计划调度岗位职责

生产计划调度岗位职责

1、生产计划调度岗位职责

1、目的

建立生产计划调度岗位职责，切实履行调度协调、管理职能。

2、范围

生产计划调度

3、责任

生产计划调度应履行其自身的岗位职责，总调度负责监督、检查。

4、内容

4.1、原辅材料采购计划的编制

4.1.1根据销售部半月销售计划的急缓情况，制定原辅材料的采购计划并根据排产情况限定到货期；

4.1.2采购部所采购物资到司后，督促化验员对原辅材料的质量进行化验分析；

4.1.3及时联系装卸队对合格留用的原辅材料卸至指定仓库的指定位置；

4.1.4 临时性备品备件采购计划的制定；

4.2、设备检修计划的编制

4.2.1调度根据各车间设备运行状况报表，制定设备的检修、维修计划；

4.2.2因紧急情况需要立即进行设备检修的，车间在征得调度同意后可自行进行检修，调度要进行跟踪检查，以尽快完成设备检修任务；

4.2.3根据各车间设备运转状况安排设备检维修的具体时间；

4.3、生产计划的分解 4.3.1根据销售部半月销售计划的急缓情况，制定详细的排产计划；

4.3.2确定各产品的生产日产量、完成期限等要求；

4.3.3对生产计划完成情况进行跟踪、督促和检查；

4.4、生产调度

4.4.1掌握生产作业情况和动态，协调产、供、销、运，做好综合平衡；

4.4.2了解和掌握各车间的生产、原料与产品的库存情况，及时进行协调；

4.4.3了解生产过程中水、电、汽及相关设备的运行、平衡情况，及时进行协调；

4.4.4 针对销售计划分解生产任务指标，安排车间进行生产，并对生产过程进行监督检查；

4.4.5 对销售计划的变更和追加进行分解，及时通知车间进行生产；

4.5、计划完成率的考核

4.5.1 对采购计划的完成情况进行跟踪、督促，不能按时、按质、按量完成采购计划的，视情况对采购部进行考核；

4.5.2 销售部频繁变更和追加销售计划的，视情况对销售部进行考核；

4.5.3 对不能按照计划完成生产任务的车间，视情况对生产车间进行考核；

4.5.4 对不配合工作、不能按要求及时完成临时指派工作的，视情况对个人或单位进行考核；

4.5.5 每月对采购、生产车间进行计划及时完成率考核。

5、日常工作

5.1 在总调度的领导下对公司生产计划进行管理、生产相关数据收集、汇总与上报及日常事务的协调工作。

5.1.1 将每天各车间的产量、产品质量、设备运行状况等情况收集汇总，报生产副总、总工、总经理各一份。

5.1.2 将每天仓储走货、库存及盘库情况收集汇总，报生产副总、总经理各一份。

5.2 负责检查各车间生产情况及发现生产现场管理中存在的问题。

5.2.1 对非外因和非计划性停产的情况进行原因分析，并追究当事者的责任。

5.2.2 对生产过程中出现的一些问题协调处理，处理不了的及时向总调度汇报。

5.2.3 负责公司（北厂包含集团）急、难、险、重任务的指挥协调和人员组织。

5.2.4 完成各级领导赋予的临时性工作。

2、生产调度员岗位职责

1、生产调度员在项目执行经理的带领下工作。

2、负责全项目部日常生产、安全的协调调度和管理工作。

3、做好“上传下达”工作，负责及时准确地向劳务班组下传达生产任务、生产调度指令、各项通知、通报等；负责向有关领导及时汇报生产情况及主要生产进度。

4、随时掌握生产、安全动态；对现场生产进度情况进行重点了解，发现问题应及时如实逐级上报。

5、负责建立完整的原始记录，及时提出调度报表和生产、安全动态分析资料，做到汇报及时、数字准确、内容完整、问题真实。

6、对各区劳务队的组织机构、主要岗位人员的有关情况和变动要及时了解掌握。

7、负责每周、每天的生产碰头会的召集、记录等工作。

8、负责汇总上报各区劳务队的材料计划，并按项目部的既定程序审核、审批后报材料组采购和及时的催促。

9、负责每周现场安全生产检查的召集，配合安全负责人做好检查工作。

10、完成领导安排的其它工作。

3、生产调度员岗位职责

1、严格按照生产作业计划组织企业的生产活动，做到指挥正确，组织严密，均衡完成生产计划。

2、严格执行企业生产调度会上的各项决定与上级领导的指示，做到执行及时，并对执行的情况随时进行检查。

3、监督、检查生产作业进度，掌握企业生产动态，协调生产作业进度，做好综合平衡。及时了解并掌握各生产车间的生产、原材料供应与在制品库存等情况，根据生产作业进度协调、督促生产车间零件和各工序在制品的流转保持生产有效运行，对于不平衡现象及时进行协调，并加以妥善解决。

4、掌握企业的水、电、气等设备的运行与供应情况，保证企业生产工艺的稳定。

5、掌握企业主要工艺指标的执行情况，主要生产设备的开、停机情况，以保证稳定安全的生产。

6、衔接协调生产中各个环节出现的问题，督促检查各产品生产技术准备、物资准备、辅助条件准备情况和生产过程的质检过程、质量保证条件，及时向主管领导汇报，做到情况清、问题准。

7、经常深入生产现场进行生产作业调查与检查，监督、检查生产所需物料缺损情况，跟催生产环节缺失物料确保物料满足生产、及时到位。对生产薄弱环节进行现场调度，并处理当班生产过程中出现的各种问题。及时向主管领导汇报生产进度和发生的问题。掌握情况要准确，处理问题要及时，保证企业的正常生产。

8、协调相关部门做好生产设备的检修工作，协调、联系工作要及时，以尽快完成设备的检修任务。

9、对当班过程中出现的生产事故，要组织好抢救工作，防止事故扩大，妥善处理生产现场，尽快恢复生产。同时要向上级领导与企业安全部门汇报。

10、负责当班生产情况的综合分析，并总结当天的生产、设备检修以及产量完成情况，查找生产瓶颈、分析问题原因、提出改进方案、编写调度日报表并及时报送相关领导。

11、严格按照企业规定认真、准时做好交接班工作，在交接过程中，做到交接清楚，重点突出。

12参加公司生产调度会议，督促检查生产（作业）计划和生产调度员会议决议执行情况。参加临时生产协调会，配合生产调度负责人解决生产过程中出现的问题。在生产调度员会上汇报本周生产进度与处理问题的情况。

第五篇：生产计划调度管理制度

生产计划调度管理制度

第一章 总 则

第一条 为了规范本公司生产计划、调度管理，合理组织生产，特制定本制度。

第二条 本制度适用于本公司生产的计划、调度管理全过程。

第三条 本制度的责任部门为生产部、营销部、供应部、各车间、班组。责任人为生产副总、生产部负责人、调度员、巡查员。

第四条 生产计划调度工作由生产部具体负责。

第二章 生产计划的下达与执行

第五条 生产部应每月（周）根据食品销售公司及营销部下达的销售计划制定月（周）生产计划，下达生产调度通知下发车间执行。生产部应加强与供应部、营销部、生产车间等有关部门联系，全面掌握生产所具备的条件。

第六条 每周星期四上午10:00，由生产部负责组织召开由质量技术部、供应部、营销部、生产车间等部门负责人参加的本公司生产调度会，传达周生产计划，协调解决有关生产方面的相关事宜。

第七条 因特殊情况临时追加的生产任务或急需的产品，由生产部进行生产计划适当调整，但需报分管领导或公司第一负责人审核。第八条 各个部门应严格执行生产调度通知，必须按生产调度会的要求或通知确保生产具备的条件。

第九条 在生产过程中，如果出现水、电、汽、设备或材料供应等异常情况，生产车间应及时报告生产部，由生产部负责联系相关部门协调解决。

第三章 检查与考核

第十条 生产部统计员每日上午负责将前日的生产情况、生产物资以报表形式及时报生产部。

第十一条 生产部负责人、巡查人员随时深入各个生产岗位检查生产进度、物料动态，并及时协调、汇报。

第十二条 如果因工作失职或不服从生产调度安排，而延误生产进度或影响生产作业计划的，给予责任人100-500元罚款。

第十三条 本制度自发文之日起实施。第十四条 本制度解释权属生产部。