「 1. 调度的观点」

调度问题的基本描述是“如何把有限的资源在合理的韶光内分配给多少个任务，以知足或优化一个或多个目标”。
调度不但是排序，还须要根据得到的排序确定各个任务的开始韶光和结束韶光。
调度问题广泛存在于各种领域，如企业管理、生产管理、交通运输、航空航天、医疗卫生和网络通讯等，险些存在于工程科学的所有分支领域内。
它也是智能制造领域的关键核心问题之一，因此，调度问题的研究十分主要。

「 2. 智能调度的特点」

生产调度的工具与目标决定了这一问题具有繁芜特性，其突出表现为调度目标的多样性、调度环境的不愿定性和问题求解过程的繁芜性。
详细表现如下：

（1）多目标性。
生产调度的总体目标一样平常是由一系列的调度操持约束条件和评价指标所构成，在不同类型的生产企业和不同的制造环境下，每每种类繁多、形式多样，这在很大程度上决定了调度目标的多样性。
对付调度操持评价指标，常日考虑最多的是生产周期最短，其他还包括交货期、设备利用率最高、本钱最低、最短的延迟、最小提前或者拖期惩罚、在制品库存量最少等。
在实际生产中有时不但是纯挚考虑某一项哀求，由于各项哀求可能彼此冲突，因而在调度操持制订过程中必须综合权衡考虑。

（2）不愿定性。
在实际的生产调度系统中存在各类随机的和不愿定的成分，如加工韶光颠簸、机床设备故障、原材料紧缺、紧急订单插入等各种意外成分。
调度操持实行期间所面临的制造环境很少与操持制订过程中所考虑的完备同等，其结果纵然不会导致既定操持完备作废，也常常须要对其进行不同程度的修正，以便充分适应现场状况的变革，这就使得更为繁芜的动态调度成为必要。

（3）繁芜性。
多目标性和不愿定性均在调度问题求解过程的繁芜性中得以集中表示，并使这一事情变得更为艰巨。
众所周知，经典调度问题本身已经是一类极其繁芜的组合优化问题，大规模生产过程中工件加工的调度总数切实其实便是天文数字。
如果再加入其他评价指标，并考虑环境随机成分，问题的繁芜程度可想而知。

调度问题的繁芜特性，制约着干系技能的运用与发展，使得该领域内寻求有效方法的浩瀚努力长期以来难以完备知足实际运用的须要；而智能调度技能的涌现，为办理调度问题供应了新的方法；同时，也正是由于存在如此巨大的寻衅，多年来，对付这一问题的研究吸引了来自不同领域的大量研究运用职员，提出了多少现行的方法和技能，在不同程度上对实际问题的办理做出了各自的贡献。

「 3. 智能调度的关键技能」

1）数学方案方法与求解器

数学方案方法是较早地用于求解车间调度的方法。
20世纪60年代，这个期间研究职员方向于设计具有多项式韶光繁芜度的确定性方法，以期求出车间调度问题的最优解。
稠浊整数方案方法（mixed integer programming）是常用求解调度问题的数学方法，该方法限定部分决策变量必须是整数，但是在运算中整数变量的数量会随问题规模呈指数规模增长。
以是，有研究职员认为利用整数方案方法求解调度问题在打算上是不可行的。
用于求解调度问题比较成功的数学方法包括：拉格朗日松弛法（lagrangian relaxation）和分解方法（decomposition methods）。
拉格朗日松弛法用非负拉格朗日乘子将工艺约束和资源约束进行松弛，末了将惩罚函数加入目标函数中，在可行的韶光里能对繁芜的方案问题供应较好的解，该方法已经用于办理作业车间调度问题。
分解方法将原问题分解为多个小的易于求解的子问题，将子问题求出最优，该方法也已用于求解调度问题。

分枝定界法（bound & branch，B&B）是紧张的列举策略之一。
它用动态构造分枝来描述所有的可行解空间，这些分枝隐含有要被搜索的可行解。
这个方法可以用数学式和规则来描述，在对最优解搜索过程中，它许可把大部分的分枝从搜索过程中去掉。
这种方法从它出身之日起，就十分盛行。
它适宜求解总工序数N<250的调度问题，对付求解大规模问题，由于它须要巨大的打算韶光，因此限定了它的利用。
该方法也被大量地用于求解车间调度问题。
Carlier在1989年提出的分枝定界法第一次证明了著名的作业车间调度基准实例FT10问题的最优解是930。

目前，建立的数学方案模型可以通过求解器来求解。
求解器是一类封装好的优化算法程序包，研究职员可以利用求解器来优化调度等繁芜问题，而不须要自己编写算法代码。
常用的求解器包括Cplex、Gurobi、MOSEK等。
常日不同的求解用具有其独立的数学措辞，用以编写建立好的数学模型。
针对不同属性的模型须要调用不同的优化算法，而对同一数学模型则须要利用不同的建模措辞多次编写，这无疑增大了问题的求解事情量。

2）启示式方法

20世纪70年代，研究职员对调度问题的打算繁芜性进行了深入的研究，证明绝大多数的调度问题是NP-Complete问题。
他们不再追求用精确算法来求出该问题的最优解，而是通过近似算法在可以接管的韶光内寻求该问题的满意解，因此提出用启示式方法来求解该问题。
Panwalkar总结和归纳了113种调度规则，并将它们分为了三类：大略规则、复合规则和启示式规则。

（1）优先分配规则（priority dispatch rules，PDR）

这种方法是分配一个优先权给所有待加工的工序，然后选择优先权最高的加工工序先加工，接下来按优先权次序依次进行排序。
该方法具有随意马虎实现和较小韶光繁芜性的特点，是在实际运用中办理调度问题的常用方法。
常用的规则包括：SOT(shortest operation time))、LOT(longest operation time)、LRPT (longest remaining processing time)、SRPT (shortest remaining processing time)、LORPT (longest operation remaining processing time)、Random、FCFS (first come first served)、SPT (shortest processing time)、LPT (longest processing time)、LOS (longest operation successor)、SNRO (smallest number of remaining operations)、LNRO(largest number of remaining operations)。

优先分配规则虽然速率非常快，但是具有短视的天性，如它只考虑机器确当前状态和解的质量等级等问题，而不能全面地考虑问题。

（2）基于瓶颈的启示式方法（bottleneck based heuristics）

一样平常包括瓶颈移动方法（shifting bottleneck procedure，SBP）和Beam搜索。
Admas在1988年提出的SBP方法是第一个办理FT10标准问题的启示式方法。
这个布局算法能取得好的结果的紧张缘故原由之一是由于它是彻底办理了单一机器排序问题的算法。
SBP方法是按照解的大小顺序对所有机器进行排序，有着最大下界的机器被确定为瓶颈机器。
SBP对瓶颈机器排序，留下被忽略的未被排序的机器，固定已排序的机器。
当每次瓶颈机器排序后，每个先前被排定的有接管改进能力的机器，通过办理单一机器问题的方法，再次被局部重新最优化，而单一机器问题的排序是用Carlier提出的方法迭代办理。
SBP方法虽然能比PDR方法供应质量更好的解，但是打算韶光长，算法履行比较繁芜。

3）智能优化方法

智能优化方法是一类受生物智能或物理征象所启示的随机搜索算法，目前在理论上还远不如传统优化算法完善，每每也不能确保解的最优性。
但从实际运用上看，这类算法一样平常不哀求目标函数和约束的连续性与凸性，乃至有时都不须要解析表达式，对打算中数据的不愿定性也有很强的适应能力。
由于这些独特的优点和机制，智能优化方法引起了浩瀚国内外学者的重视，且在诸多领域中得到了广泛运用，展示出强劲的发展势头。
调度领域的智能优化方法紧张包括进化算法、群智能优化算法、局部搜索算法等。

（1）进化算法

进化算法是一类仿照生物进化过程的智能优化方法，紧张包括遗传算法（genetic algorithm, GA）、遗传方案（genetic programming, GP）、进化策略（evolution strategies, ES）和进化方案（evolution programming, EP），广泛运用于方案与调度等组合优化问题。
个中，遗传算法是在调度领域中运用最广泛的进化算法。

（2）群智能优化算法

群智能优化算法紧张是通过仿照昆虫、鸟群和鱼群等群体行为所布局的一类智能优化方法。
这些群体按照一种互助的办法探求食品或躲避追捕，群体中的每个成员通过学习它自身的履历和其他成员的履历来不断地改变搜索的方向。
任何一种受动物的社会行为机制而启示设计出的算法均属于群智能优化算法。
在调度领域中，常见的群智能优化算法有粒子群算法（particle swarm optimization，PSO）、蚁群算法（ant colony optimization，ACO）等。

（3）局部搜索算法

局部搜索（local search, LS）算法是利用人工智能、物理学等领域的某些思想，对基本局部搜索算法进行推广或扩展，目的是为战胜基本局部搜索算法极易陷入局部最优的缺陷，并形成了以禁忌搜索算法、仿照退火算法等为代表的算法，是求解调度问题的常用方法。

（4）人工智能算法

人工智能是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸剖析、算法繁芜度理论等多门学科。
专门研究打算机若何仿照或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识构造使之不断改进自身的性能。
经典的人工智能算法包括决策树（decision trees）、朴素贝叶斯分类（naive bayesian classification）、支持向量机（support vector machine，SVM）、主身分剖析（principal component analysis，PCA）等。

目前，人工智能干系算法的核心功能紧张是用于分类和预测两个方面。
而调度问题的实质是优化过程，可行解的数量浩瀚，难以直接采取人工智能对其求解。
因此，必须在调度问题中，找到分类或预测的步骤，并将其更换为人工智能算法进行赞助求解。
华中科技大学的黎阳、高亮、李新宇等提出了一种基于残差神经网络的置换流水车间调度方法。

图为置换流水车间调度的甘特图，当须要交流工件8和5进行邻域搜索的时候，如果采取打算makespan的办法来判断交流后结果的好坏，则会占用大量的打算韶光。
因此将该过程更换为残差神经网络的分类过程。
将打算韶光移到调度准备阶段，完备不占用宝贵的求解韶光。
针对付特定的车间，利用历史数据提前对神经网络进行演习并保存好演习之后的网络参数。
在须要调用的时候，只须要一次矩阵运算即可，打算韶光花费近乎于0，能大大提高算法的优化效率。

置换流水车间调度甘特图

「 4. 智能调度的未来发展趋势」

1）当前面临的问题

只管车间调度研究已经成为热点研究领域，许多学者也在这一领域产出许多成果，但车间调度问题的研究仍旧面临着许多问题。
为了提高求解结果和方法的通用性，常日会利用数学模型对问题进行求解，但数学模型的求解效率低，且只能对小规模问题进行求解；为了提高问题的求解效率和对大规模问题进行求解，学者们提出用智能优化算法对问题进行求解，但智能算法的求解结果具有一定的不稳定性，同时智能优化算法的通用性较低，须要针对特定的问题设计特定的优化过程。
现在又有学者提出将数学模型与智能算法相结合的求解思路，但两者之间如何结合，结合之后若何求解仍旧须要研究和探索。

2）未来发展趋势

车间调度优化是提高企业生产效率的关键，因此对车间调度问题的研究一定越来越受到重视，其紧张的发展趋势有以下几点：

（1）伴随着生产工艺的繁芜化、生产任务的大批量化、生产场景的多样化等趋势，对调度问题的研究必将朝着更加贴近生产实际问题的方向发展，例如问题中包含实际生产约束、串\并行的多车间协同调度、动态调度等。

（2）伴随着高下游企业之间的同盟、面向用户的生产模式的发展等，分布式生产调度的研究一定会成为一个主要研究方向。

（3）随着智能车间的发展，车间调度问题与其他生产问题的联系正在逐步加强，这一定会形成一个更加繁芜的耦合问题，如车间调度问题与工艺方案问题的结合、车间调度问题与物流运输问题的结合等，这些问题的研究对提高企业生产效益具有主要意义。