跟着信息时代的不竭开展， 调度在大大都的造造业、办事业及存在信息处置需求的行业饰演着愈发重要的角色。
文章来源
本文引自：《智能调度》（做者：李新宇, 张利平, 牟健慧）， 由清华大学出书社「智造苑」原创首发， 数字化企业经受权发布。
调度的感化
调度是一个复杂的决策过程， 它通过将一段时间内的特定资本分配给特定使命， 以期实现一个或多个目的的优化。资本的形式多种多样。关于造造业而言， 资本次要指的是消费资本， 可表示为车间里的机器、加工所用模具、刀具等；关于办事业而言， 资本能够表示为机场的跑道、建筑场合中的施工单元、地产开发过程中的地盘资本、病院内的手术室等。使命的形式同样品种繁多， 能够是工场内的一个加工操做、飞机的起飞和抵达、建筑工地内的一个项目、某位病患的一台手术等。优化目的包罗多种形式， 如最小化最初一个使命的完成时间、最小化成本、最小化使命拖期等。
跟着信息时代的不竭开展， 调度在大大都的造造业、办事业及存在信息处置需求的行业饰演着愈发重要的角色。
以汽车流水消费线为例， 世界第一条大规模汽车流水消费线由美国福特汽车公司于1913年推出， 通过对拆配过程停止合理分工， 极大地提拔了工场消费效率。整个汽车消费流程由最后的传统“万能型员工”流程改变为接纳传送带供给的流水线消费形式， 使一台T型福特汽车的组拆耗时缩短50%， 创始了新的、高效的汽车造造流程， 鞭策福特获得了严重的胜利。时至今日， 丰田汽车依靠以成本控造为核心、方案管控为手段、消弭一切无效劳动和浪费为目的的精益消费形式， 在全球汽车市场的利润率仅3%~6%时， 丰田汽车2019年利润率仍然连结在9.2%。
调度关于流程工业的开展和前进同样具有重要意义。石油化工是典型的流程工业， 其消费设备浩瀚， 若何在既定消费方案下， 按照物料平衡和实时的物料性量造定消费资本调配时间序列和设备操做前提是企业不变消费和实现效益更大化的需要前提。
颠末数十年的开展， 我国已成为世界上门类最齐备、规模更大的造造业大国， 但遍及存在消费效率低、能耗物耗高、平安环保问题凸起等现象。其核心原因之一是缺乏实现消费工艺优化和全流程整体运行优化的高效调度办法。此外， 我国的“中国造造2025”同样强调了造造业在国民经济中的主体地位， 将智能造造做为主攻标的目的。
1）造造业中的调度[1]
造造业是国民经济的主体， 是立国之本、兴国之器、强国之基。造造业是指操纵某种资本（含物料、能源、设备、设备、东西、资金、手艺、信息和人力等）， 根据市场要求， 通过造造过程， 转化为可供人们利用和操纵的东西、工业品与生活消费产物的行业。合理的调度计划可以有效进步造造业的消费效率， 实现资本操纵的更大化。我国为了造造业的转型晋级曾破费数十亿美圆引进和开发了造造资本方案（MRP Ⅱ）、企业资本规划（ERP）等软件， 但绝大大都没有得到很好的利用， 次要原因之一是“消费功课方案”那个手艺瓶颈没有得到打破。车间内的消费方案和调度计划仍接纳传统的经历和人工办法， 招致工业软件的利用与企业加工现状呈现断层（见图1）。因而， 智能调度手艺不单要在扑朔迷离的约束前提中找到可行计划， 还需在难以计数的可行计划中找到满足优化目的的较优消费功课方案， 从而进步企业的消费效益。
图1 造造业信息流图[1]
2）办事业中的调度[1]
办事业包罗交通、信息、医疗、餐饮、银行等多个行业。做为第三财产， 办事业具有笼盖面广、内容综合性高、分离性大等特点， 愈加需要智能调度手艺对场地、资本、人员等停止同一协调与办理。办事业中的调度次要集中在各类办事行业中的排班、列队等问题， 其目的是逃求效率更高、顾客满意度更大化等。图2展示了办事业中的信息流。
图2 办事业信息流图[1]
新中国成立后， 颠末70多年的开展， 我国工业胜利实现了由小到大、由弱到强的汗青大逾越， 使我国由一个贫穷落后的农业国生长为世界第一工业造造大国。从21世纪初起头， 我国正在逐渐由造造大国向造造强国的标的目的改变。在调度及相关学科的撑持下， 造造业根本完成了现代化转型晋级， 正在向着数字化、收集化、智能化的目的不竭前进。在将来， 智能调度仍将在造造业和办事业等范畴阐扬着积极的感化， 激发行业的立异驱动力， 鞭策我国快速开展为造造强国。
调度的开展趋向
市场需乞降科技前进会催生新的消费体例， 而新的消费体例又会影响造造系统的功用特征和消费组织形式。用户对产物的多样化、个性化需求， 使得消费体例已由传统的多量量消费向大规模个性化定造消费开展。目前， 工业4.0正给消费手艺和消费组织形式带来变化和立异， 一些先辈计算机与通信手艺（如物联网、云计算、大数据、边沿计算等）的打破使得造造业变得愈加柔性、高效和智能[2]。
精益消费、敏捷造造、可重构造造、云造造、智能造造等先辈消费形式得到了飞速开展与推广[3]。有效的调度是消费环节中的一个关键问题， 它能够削减响应使命的处置时间， 进步资本操纵率， 从而实现企业利润的更大化[4]。跟着市场需乞降新手艺驱动下消费形式的变革， 与之相适配的调度形式也一定要发作响应的变革。将来调度手艺将朝着自适应自组织调度、大数据驱动调度、协同调度（供给链协同调度、云边协同调度、人机协同调度）以及基于数字孪生的调度等标的目的开展[5]。
1）自适应自组织调度
跟着信息与通信手艺的前进， 工业消费逐渐由集中式控造向分离式控造改变[6-7]。分离式控造进步了消费系统的柔性和敏捷性， 消费系统中的每个资本都具有感知、阐发、推理、沟通和施行的才能。在自适应自组织调度中， 把整个分离式控造消费系统看做一个多智能系统统， 每个资本就是此中的一个智能体， 它能够按照部门信息和部分目的做出决策。目前， 为了获得一个全局目的较优的调度计划， 常用基于拍卖机造的协商战略来平衡智能体之间的部分目的抵触[8]。
2）大数据驱动调度
物联网手艺在现代工业的应用增加了工业数据的数量和更新速度， 消费过程中搜集到的实时数据包罗大量有用信息， 能够为后期调度计划的造定供给有益帮忙[9]。那使得数据发掘在智能造造中所起的感化越来越重要， 大数据阐发逐步成为优化消费系统办理的关键手艺和次要办法[10]。2020年， 中国工程院发布的《全球工程前沿》将“基于大数据的智能造造系统消费调度手艺”遴选为机械与运载工程范畴的Top 10 工程开发前沿之一。在大数据驱动调度中， 往往先基于汗青数据， 不竭产生新的离线发掘调度算法， 再用那些算法更新算法库， 最初按照消费系统的实时数据为用户保举更佳调度办法[11]。
3）协同调度
供给链协同调度。在产物同量化问题凸起的时代， 市场合作日趋剧烈， 用户对产物的多样化、个性化需求也不竭增加。然而因为设备、原质料和劳动力成本激增以及供给链各环节信息的不合错误称， 传统供给链办理面对着高成本、长周期、低量量和高风险的挑战。物联网、区块链等手艺的开展加速了供给链各环节（涵盖供给、消费、销售等环节）的信息数字化、共享化历程， 为供给链协同调度手艺的实现供给了手艺支持和包管[12]。供给链协同调度在供给链精益化、绿色化、全球化、智能化过程中起着至关重要的感化[13]。
云边协同调度。物联网手艺的前进给散布式造造企业带来了全新的挑战， 如更低的延迟要求、不连续的办事需乞降可靠的平安保障等[14]。当前的难点在于决策中心位于云端， 调度系统和造造资本之间的长途毗连会带来延时和不平安因素；固然以边沿计算为代表的新兴手艺手段在必然水平上进步了工场（边沿端）的调度程度， 但受限于边沿端的资本规模和计算才能， 调度成果的量量不高[15]。为了进步个性化市场需求布景下消费系统的响应速度和全局优化才能， 云边协同调度的研究非常需要。
人机协同调度。智能造造系统是一个集人、信息和物理为一体的消费系统， 它的不确定性和复杂水平都十分高， 传统的调度办法难以实现立即响应[16]。新一代人工智能手艺的开展， 使人机之间的智能协做成为现实， 机器能够按照本身的感知、阐发为消费系统的调度运营供给建议[17]。将来人与智能机器在物理、信息、决策等多个方面的互动会越来越频繁， 人机协同调度的应用前景十分宽广。
4）基于数字孪生的调度
在现实消费场景中， 一些动态事务和扰动时常发作， 现有动态调度办法的响应速度和不变性已无法满足智能车间的鲁棒性需求[18]。基于数字孪生的调度手艺在新一代信息手艺和造造手艺驱动下， 通过物理车间与虚拟车间的双向映射与实时交互， 构成实在与虚拟共生的协同优化收集。物理车间主动感知当前消费情况；虚拟车间通过自组织、自进修、自模仿等体例停止消费形态阐发、调度计划调整和决策评估。通过那种体例， 能够立即锁定异常范畴， 并在短时间内供给出合理高效的应对办法[19]。基于数字孪生的调度将很快成为调度范畴的一个新的研究热点。
参考文献
[1] PINEDO M. 调度: 原理算法和系统[M]. 张智海, 译. 北京: 清华大学出书社, 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. 流水车间调度及其优化算法[M]. 武汉: 华中科技大学出书社, 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.
