调度的本质：一个多约束求解问题
先说个真事。上个月去一家做齿轮箱的厂，他们的PMC经理跟我诉苦，说数字化转型投了两百多万，上了高级计划排程（APS），结果三个月后还是老老实实退回Excel。原因很搞笑——系统排出来的计划，车间执行不了。为什么？因为系统把每台设备的加工时间设为固定值，但实际上一台用了十年的老磨床和一台进口的新磨床，加工同样齿圈的时间能差20%。这种精度，别说智能了，连基本正确都算不上。
所以，调度的本质是什么？是在有限资源上，对工序的时序和空间位置做约束求解。约束包括：工艺顺序（哪道工序先干）、资源占用（设备、工装、操作员）、时间窗（交期、批次间隔）、以及物理限制（比如两台设备之间必须留出缓存区）。用形式化的语言，你要找到一组变量S_ij（工件i的第j道工序开始时间），使得所有约束满足，并且某些目标（如总拖期、最大完工时间）最小化。这货就是个典型的NP-hard问题。
有人跟我抬杠，说你们的遗传算法不是挺好吗？我告诉你，遗传算法在这个问题上跑个两百代，可能跟随机排序没啥区别。因为搜索空间太大，交叉变异很容易早熟。真正实用的，往往是混合整数规划（MILP）加启发式分解，但建模工作量大得惊人。对于车间级调度，我更喜欢用基于瓶颈的同步排产——先找到关键资源，然后围绕它来排。
注意，这张图里瓶颈设备就是那台慢的磨床。你把不必要的小活都推到它前面，它就成了拥堵点。所以，我习惯用有穷反馈法来做瓶颈识别——计算每台设备的负荷率，找出超过90%的，然后反推哪些订单要移走。
约束建模：你别光看设备，还得看工具和人的手艺
做机械设计的都知道，图纸上一个公差标不好，整个零件就废了。调度也一样，约束漏掉一个，计划就白排。我总结过，至少要纳入下面这五类约束。
- 工艺路线——这是骨。每道工序的先后关系不能倒。比如齿轮热处理必须在齿形加工之后，否则变形没商量。
- 设备能力——同一道工序可能有多台可选设备，但精度和速度不同。你得定义一个“设备-工序”二元组，并给出加工时间矩阵。比如某轴外圆磨，在M1432上干是15分钟/件，在MG1432上干是18分钟/件，但粗糙度更稳。这种差异就得写进模型。
- 换型矩阵——从产品A切换到产品B，要换刀、对刀、调整夹具，时间可能是长的。比如一台立加加工壳体，从5系列换到6系列，需要换定位销和压板，40分钟没跑。如果调度时忽略这个，你的交付期就是假的。
- 物料齐套——毛坯、锻件、外购件能不能按时到？调度排得再好，料没到就是空谈。所以，排产前要先跑一次物料需求计划（MRP）的校验。
- 人员技能——你的车间里不是每个工人都能开所有机床。一个五轴编程师傅走了，那几台五轴机床就宕机了。所以人员排班也要跟设备调度联动。
这些约束听着简单，但把它转成结构化数据，真心费劲。我之前在项目现场，光整理一个车间的工艺数据就花了三周。老板嫌慢，我说你十年前就该做这件事。后来数据整理出来，直接用贪婪算法排，都比原来的手工计划顺眼得多。
算法选择：从最蠢的开始，别让“AI”吓住你
我知道大家喜欢听“深度学习”之类的新词。但说实话，目前车间级调度能用的，还是那些老古董规则。
比如，你的问题主要是拖期，那就用EDD（最早交货期优先）。如果主要瓶颈是设备利用率，那就用SPT（最短加工时间优先），它能让单位时间的产出最大。如果你的换型成本很高，那就用按产品族分组的排程，减少切换次数。规则之间还可以组合。比如先按EDD排序，再在局部用2-opt交换降低总拖期。
我见过最成功的一个项目，是一家做工程机械结构件的厂。他们把车间分成了下料、焊接、机加、涂装几个工段。每个工段内部，用简单的优先级规则计算每一个待加工件的“延误风险因子”（当前时间+剩余加工时间-交期），然后按降序排。就这么个初级方法，让他们把月度拖期率从25%降到了9%。你说这跟智能有什么关系？关系大了——能把原理用到极致的，才叫智能。
这里要提醒一句：别上太花哨的算法，如果你没有足够的计算资源和容错机制。有一次我试了一个商用APS，它的引擎基于约束编程，模型求解时间动辄几个小时。结果生产计划还没出来，现场已经干完一批货了。所以，调度算法必须响应快。我的标准是：10台设备、100个工序的规模，求解时间不要超过60秒。超过这个数，就跟不上节拍。
落地实施：先模拟仿真，再逐步嵌入
最好的落地方式，是先用离散事件仿真（DES）验证你的排产规则。我通常的做法是：在Plant Simulation或Flexsim里搭一个车间三维模型，把设备布局、工艺参数、物流路径放进去，然后跑几个月的生产数据。你会惊讶地发现，仿真结果跟实际偏差在5%以内。这时候把调度算法挂在仿真模型上做“前向测试”，看看不同规则下设备等待时间和在制品数量。等你觉得靠谱了，再让调度算法直接生成计划，但先离线跑一周，跟老师傅的计划对比。
另一个关键点是滚动重排。车间里随时可能出现突发情况——刀具崩了、来料晚了两小时、工人请假。你不可能让一个静态计划一直有效。我建议是设置一个重排周期，比如每2小时或每班次开始，重新读一次实时状态（包括设备是否完好、各工序完工百分比），然后对剩余未执行的工序重新优化。这叫做“重调度”，是智能生产调度的核心操作。
我在这顺便提个反直觉的发现：如果你把车间所有设备都排得满满当当，反而是最不有效的。因为波动会传导，一台设备晚半小时，后面的工序全都堵上。我一般会把关键设备利用率控制在85%以下。这个数字不是拍脑袋，是根据排队论M/M/1模型算出来的——当利用率接近100%，队列长度会指数级爆炸。
最后说点实在的
好了，写到这里，估计你也有点体会了。智能生产调度这件事，二十年前叫“生产计划与控制”，十年前叫“高级排程APS”，现在叫“AI智能调度”。名字变了，内核没变：把正确的东西，在正确的时间，放到正确的机器上。算法只是其中一个零件，更多功夫在于数据和人的经验。
如果你现在正要启动这类项目，我只有一句劝告：不要一开始就追求全自动。先做离线排产，让计划员使用，慢慢积累反馈，再逐步增加自动化的程度。就像咱们调机床，先手动走一遍，确认没有干涉了，再开自动循环。
就这样。有事欢迎留言，下次聊点别的。
