制造型企業(yè)生產(chǎn)排產(chǎn)研究綜述與展望

黃澤慧，閆秀霞

（山東理工大學(xué) 商學(xué)院，山東 淄博 255012）

隨著人們生活水平的不斷提高，消費(fèi)越來越多樣化，對(duì)產(chǎn)品的個(gè)性化要求也越來越突出，這就給制造型企業(yè)帶來了挑戰(zhàn)，需要制造型企業(yè)轉(zhuǎn)變生產(chǎn)組織模式，以多批量小訂單的方式滿足顧客的定制化需求.就制造型企業(yè)轉(zhuǎn)變生產(chǎn)方式的現(xiàn)狀來看，最大的瓶頸是生產(chǎn)計(jì)劃的確定與控制，即排產(chǎn)問題，為此，國(guó)內(nèi)外有大量文獻(xiàn)對(duì)排產(chǎn)問題進(jìn)行了研究.本文通過梳理排產(chǎn)研究的現(xiàn)有文獻(xiàn)，對(duì)制造型企業(yè)排產(chǎn)研究方法進(jìn)行綜述，并通過對(duì)現(xiàn)有研究方法的對(duì)比，為排產(chǎn)研究提出未來的方向.

1 制造型企業(yè)排產(chǎn)問題描述

所謂排產(chǎn)，是根據(jù)主生產(chǎn)計(jì)劃所作出的短期計(jì)劃安排，通過合理調(diào)配生產(chǎn)資源，確定產(chǎn)品每一道工序的開始日期和完成日期，保證各生產(chǎn)環(huán)節(jié)、各工作地協(xié)調(diào)進(jìn)行，以達(dá)到訂單的生產(chǎn)能夠滿足交貨日期需要的目標(biāo).作為主要向市場(chǎng)提供產(chǎn)品的制造型企業(yè)而言，其排產(chǎn)決策主要涉及以下幾個(gè)方面:

（1）生產(chǎn)設(shè)備數(shù)據(jù)，即處理單元和生產(chǎn)設(shè)備的生產(chǎn)能力、設(shè)施條件，設(shè)備間連接等；

（2）生產(chǎn)訂單的詳細(xì)信息，包括訂單數(shù)量、加工時(shí)間、設(shè)施要求、交貨期等；

（3）產(chǎn)品生產(chǎn)工藝路線，包括工序次序、工作中心號(hào)、準(zhǔn)備時(shí)間、加工時(shí)間等；

（4）生產(chǎn)成本控制，包括對(duì)原材料成本、設(shè)備和設(shè)備安裝成本、清潔成本、勞動(dòng)力成本等的控制；

（5）排產(chǎn)目標(biāo)是根據(jù)生產(chǎn)設(shè)備數(shù)據(jù)和詳細(xì)的訂單信息，在允許的成本范圍內(nèi)，達(dá)到生產(chǎn)產(chǎn)品的總完工時(shí)間、提前交貨時(shí)間、延遲交貨時(shí)間最小；或者以總成本最小為目標(biāo).

針對(duì)上述排產(chǎn)問題的幾個(gè)方面，怎樣根據(jù)生產(chǎn)的基本信息，對(duì)有限的資源進(jìn)行分配，以使生產(chǎn)達(dá)到預(yù)定的排產(chǎn)目標(biāo)，這就是排產(chǎn)方法問題.需要根據(jù)不同的排產(chǎn)問題，選擇恰當(dāng)?shù)呐女a(chǎn)方法，國(guó)內(nèi)外已有許多專家和學(xué)者對(duì)其進(jìn)行了研究.

2 制造型企業(yè)生產(chǎn)排產(chǎn)問題及排產(chǎn)方法綜述

對(duì)于生產(chǎn)排產(chǎn)問題，國(guó)內(nèi)外學(xué)者采用了許多方法進(jìn)行了大量研究.歸納起來主要涉及到以下5個(gè)方面的問題

2.1 以生產(chǎn)設(shè)備能力為核心的排產(chǎn)問題及排產(chǎn)方法

排產(chǎn)中的生產(chǎn)設(shè)備約束涉及機(jī)器生產(chǎn)能力、機(jī)器維護(hù)維修、生產(chǎn)設(shè)備連接等方面.其中機(jī)器生產(chǎn)能力是指在企業(yè)的計(jì)劃期內(nèi)，在既定的組織技術(shù)條件下，參與生產(chǎn)的機(jī)器設(shè)備所能生產(chǎn)的產(chǎn)品數(shù)量.機(jī)器生產(chǎn)能力是反應(yīng)生產(chǎn)設(shè)備的一個(gè)重要技術(shù)參數(shù)，為生產(chǎn)排產(chǎn)計(jì)劃提供重要的設(shè)備生產(chǎn)信息，以保證計(jì)劃能達(dá)到要求.而機(jī)器的維護(hù)維修是保證正常生產(chǎn)的另一個(gè)重要因素.不少學(xué)者對(duì)以生產(chǎn)設(shè)備能力為核心的排產(chǎn)問題進(jìn)行了研究.文獻(xiàn)［1－5］針對(duì)有機(jī)器維護(hù)的生產(chǎn)排產(chǎn)問題，分別提出采用遺傳算法（GA:genetic algorithm）、基于顯性基因的遺傳算法（GADG:genetic algorithm with dominant genes）、混合方法（GA和仿真結(jié)合）等來獲得最優(yōu)排產(chǎn)方案.文獻(xiàn)［6－7］研究了采用基于子索引基因的遺傳算法 （GASP:cenetic algorithm with sub－indexed partitioning genes）和兩階段的啟發(fā)式方法解決平行機(jī)器間的生產(chǎn)排產(chǎn)問題.文獻(xiàn)［8］提出采用有禁忌搜索的螞蟻系統(tǒng)優(yōu)化啟發(fā)式方法獲得多機(jī)器的柔性作業(yè)車間生產(chǎn)排產(chǎn)系統(tǒng)（FJSP）的最優(yōu)排產(chǎn)方案.文獻(xiàn)［9－10］針對(duì)有機(jī)器生產(chǎn)能力限制的排產(chǎn)問題，提出了采用分布式方法（DATC）和滾動(dòng)優(yōu)化方法（Rolling Horizon Method）的排產(chǎn)解決方案.文獻(xiàn)［11－14］針對(duì)有機(jī)器排產(chǎn)序列限制的排產(chǎn)問題，提出采用遺傳算法、分支界定方法、改進(jìn)遺傳算法等方法來獲得最優(yōu)排產(chǎn)方案.

2.2 以生產(chǎn)訂單為核心的排產(chǎn)問題及排產(chǎn)方法

生產(chǎn)訂單是企業(yè)生產(chǎn)排產(chǎn)的主要依據(jù)，根據(jù)生產(chǎn)訂單可以獲得包括產(chǎn)品生產(chǎn)數(shù)量、加工時(shí)間、交貨期等基本信息.其中交貨期是制造型企業(yè)進(jìn)行生產(chǎn)排產(chǎn)的重要依據(jù)，據(jù)此可以確定包括交貨提前、交貨延遲，以及總完工時(shí)間等有關(guān)排產(chǎn)問題的時(shí)間限制信息.許多專家和學(xué)者對(duì)以生產(chǎn)訂單的交貨期為核心的生產(chǎn)排產(chǎn)問題進(jìn)行了研究.

文獻(xiàn)［15－16］針對(duì)有交貨要求的排產(chǎn)問題，提出了采用非線性規(guī)劃和混合整數(shù)線性規(guī)劃方法尋找最優(yōu)排產(chǎn)方案的思路.文獻(xiàn)［17－21］對(duì)以生產(chǎn)訂單為核心的排產(chǎn)問題，提出了采用整數(shù)規(guī)劃、GA、混合改進(jìn)方法、自適應(yīng)退火遺傳算法（AAGA:adaptive annealing genetic algorithm）等方法尋找最優(yōu)排產(chǎn)方案的思路.文獻(xiàn)［22］采用混合整數(shù)線性規(guī)劃研究了多訂單環(huán)境下的車間生產(chǎn)排產(chǎn)問題.文獻(xiàn)［23－24］提出用遺傳算法（GA）解決基于提前和延誤的生產(chǎn)排產(chǎn)與計(jì)劃（ETPSP:earliness and tardiness production scheduling and planning）問題和擴(kuò)展的ETPSP問題.文獻(xiàn)［25－27］提出了采用遞階優(yōu)化解決以訂單為核心的中短期批量生產(chǎn)排產(chǎn)問題.

2.3 以工藝路線優(yōu)化為核心的排產(chǎn)問題及排產(chǎn)方法

根據(jù)產(chǎn)品生產(chǎn)工藝路線，可以獲得產(chǎn)品生產(chǎn)的工序次序、加工準(zhǔn)備時(shí)間、產(chǎn)品加工時(shí)間等信息.對(duì)于工藝路線要求嚴(yán)格的產(chǎn)品，須研究其工序限制和時(shí)間依賴限制的約束，以更好地進(jìn)行生產(chǎn)排產(chǎn).根據(jù)工序依賴限制，文獻(xiàn)［28－37］提出采用啟發(fā)式方法、旅行商問題（TSP）方法、多式聯(lián)運(yùn)免疫方法、蟻群算法（ACO）、遺傳算法（GA）等人工智能方法研究該類生產(chǎn)排產(chǎn)問題.文獻(xiàn)［38－39］針對(duì)制造業(yè)生產(chǎn)工藝特點(diǎn)，分別提出采用GA方法和變量鄰域搜索方法（VNS）來獲得最優(yōu)排產(chǎn)方案的思路.

2.4 以生產(chǎn)成本控制為核心的排產(chǎn)問題及排產(chǎn)方法

生產(chǎn)成本包括原材料成本、設(shè)備和設(shè)備安裝成本、清潔成本、勞動(dòng)力成本等.生產(chǎn)成本控制就是有效分配現(xiàn)有資源，以解決資源與目標(biāo)的匹配問題，達(dá)到企業(yè)既定的排產(chǎn)目標(biāo).解決該類問題典型的優(yōu)化方法是數(shù)學(xué)規(guī)劃法，即將現(xiàn)有資源作為模型中的限制條件，以所確定的排產(chǎn)目標(biāo)作為目標(biāo)函數(shù).

文獻(xiàn)［40－49］針對(duì)煤炭、汽車裝配、混流生產(chǎn)線、飲料生產(chǎn)、煉油等以生產(chǎn)成本控制為核心的企業(yè)，在考慮生產(chǎn)成本和運(yùn)輸成本約束的條件下，分別提出了非線性規(guī)劃、整數(shù)規(guī)劃、混合整數(shù)規(guī)劃、混合整數(shù)線性規(guī)劃等排產(chǎn)方法，解決了以上企業(yè)的排產(chǎn)問題.文獻(xiàn)［50］通過將原油系統(tǒng)排產(chǎn)劃分為原油卸載、原油調(diào)合與傳輸、常減壓裝置進(jìn)料等子問題，提出采用遞階優(yōu)化方法，解決了原油系統(tǒng)的排產(chǎn)問題.文獻(xiàn)［51］針對(duì)成本驅(qū)動(dòng)的作業(yè)車間排產(chǎn)問題（JSSP:job－shop scheduling problem），提出將分散搜索和模擬退火算法相結(jié)合的混合排產(chǎn)方法.

2.5 以生產(chǎn)系統(tǒng)目標(biāo)優(yōu)化為核心的排產(chǎn)問題及排產(chǎn)方法

排產(chǎn)所涉及的目標(biāo)多種多樣，一般包括總完工時(shí)間最小、提前交貨時(shí)間最小、延遲交貨時(shí)間最小以及總成本最小等目標(biāo).將這些目標(biāo)中的一個(gè)目標(biāo)作為排產(chǎn)目標(biāo)的稱作單目標(biāo)問題，而對(duì)多個(gè)目標(biāo)同時(shí)優(yōu)化的叫做多目標(biāo)問題.

針對(duì)多目標(biāo)的排產(chǎn)問題，不少學(xué)者進(jìn)行了研究.文獻(xiàn)［52］提出用禁忌搜索方法以獲得多個(gè)潛在有效的排產(chǎn)方案.文獻(xiàn)［53］針對(duì)多目標(biāo)聯(lián)合排產(chǎn)問題提出了多目標(biāo)模擬退火方法（MOSA）以更簡(jiǎn)單有效地解決多目標(biāo)問題.文獻(xiàn)［54］提出蟻群算法（ACO）研究有重復(fù)生產(chǎn)的多目標(biāo)排產(chǎn)問題.文獻(xiàn)［55］采用S－Gragh方法研究了多目標(biāo)批量生產(chǎn)排產(chǎn)問題.文獻(xiàn)［56－57］分別提出了采用基于禁忌搜索和局域搜索的混合粒子群優(yōu)化方法解決多目標(biāo)的JSSP問題.

3 制造型企業(yè)生產(chǎn)排產(chǎn)方法的歸納與對(duì)比

通過對(duì)制造型企業(yè)生產(chǎn)排產(chǎn)問題及排產(chǎn)方法的綜述，不難發(fā)現(xiàn)常用的排產(chǎn)方法主要有數(shù)學(xué)規(guī)劃法、遞階優(yōu)化法、人工智能法、機(jī)會(huì)約束規(guī)劃、變鄰域搜索方法和滾動(dòng)優(yōu)化方法等.不同的方法有各自的特點(diǎn)，其適用范圍也各不相同，在實(shí)際排產(chǎn)中需要對(duì)每種方法進(jìn)行分析，并針對(duì)所要解決的問題選擇恰當(dāng)?shù)姆椒ǎ源_保獲得最優(yōu)的排產(chǎn)方案.

3.1 數(shù)學(xué)規(guī)劃法

數(shù)學(xué)規(guī)劃法就是根據(jù)提供的基礎(chǔ)數(shù)據(jù)資料，建立有目標(biāo)函數(shù)和相關(guān)約束條件的數(shù)學(xué)模型.應(yīng)用于生產(chǎn)排產(chǎn)的數(shù)學(xué)規(guī)劃法有線性規(guī)劃、非線性規(guī)劃、整數(shù)規(guī)劃等數(shù)學(xué)規(guī)劃方法.

線性和非線性規(guī)劃主要應(yīng)用于研究有限資源的最佳分配問題，其優(yōu)點(diǎn)是可以處理多品種問題.其中應(yīng)注意的有兩點(diǎn):（1）該方法考慮的因素可能不全面，使得構(gòu)建的模型過于理想；（2）如果對(duì)目標(biāo)函數(shù)中的產(chǎn)品成本系數(shù)變量處理不當(dāng)，會(huì)使獲得的排產(chǎn)方案可靠性降低.因此，線性和非線性規(guī)劃對(duì)解決原材料單一、生產(chǎn)過程穩(wěn)定不變、分解型生產(chǎn)類型的排產(chǎn)問題是十分有效的，如石油化工廠的排產(chǎn)問題等.

整數(shù)規(guī)劃要求部分決策變量必須取整，特別是在生產(chǎn)計(jì)劃和排產(chǎn)中，對(duì)機(jī)器臺(tái)數(shù)、所需員工人數(shù)等的取整，這就解決了許多不可分割變量不被分割的問題.同時(shí)，整數(shù)規(guī)劃還可以描述和處理互斥行為，在不相容狀態(tài)下，通過分散模型的模式，加強(qiáng)了問題系統(tǒng)研究的集成性，這就使得整數(shù)規(guī)劃比線性規(guī)劃有更廣泛的應(yīng)用空間.

無論整數(shù)規(guī)劃還是線性規(guī)劃都同屬于數(shù)學(xué)規(guī)劃法，該類方法能很好地解決資源約束與排產(chǎn)目標(biāo)的匹配問題，即能很好地處理基于訂單和成本控制的生產(chǎn)排產(chǎn)問題，其全局性好，應(yīng)用廣泛.但是該類方法是一種精確方法，要求對(duì)排產(chǎn)問題進(jìn)行統(tǒng)一建模，模型中某一變量的變化可能導(dǎo)致原來的算法不能獲得最優(yōu)解，最終使得求解的方案有較大變動(dòng).針對(duì)數(shù)學(xué)規(guī)劃方法的這一缺點(diǎn)，可以引入靈敏度分析以獲得動(dòng)態(tài)變量發(fā)生變化時(shí)對(duì)最優(yōu)解的影響程度.但是對(duì)那些復(fù)雜多變的生產(chǎn)排產(chǎn)問題，使用單一的數(shù)學(xué)規(guī)劃方法很難得到最優(yōu)的生產(chǎn)排產(chǎn)方案.

3.2 遞階優(yōu)化法

遞階優(yōu)化法適用于解決呈遞階結(jié)構(gòu)、多目標(biāo)的復(fù)雜問題，且效果明顯.因此該方法能有效解決按訂單生產(chǎn)和企業(yè)成本控制的排產(chǎn)問題.但是應(yīng)該注意的是對(duì)于兩級(jí)遞階優(yōu)化問題，下層解的不確定性會(huì)導(dǎo)致上層優(yōu)化問題也是不確定的，并且上層問題中不僅要確定上層決策變量，還要確定下層決策變量，從而造成更高的維數(shù)，這使得對(duì)該模型獲得全局最優(yōu)解變得極為復(fù)雜.

3.3 人工智能方法

一般的人工智能方法有遺傳算法（GA）、禁忌搜索（TS）、模擬退火（SAA）、蟻群算法（ACO）等，其中在解決排產(chǎn)問題中使用最多的是GA方法.

遺傳算法是解決搜索問題的一種通用算法，對(duì)于各種通用問題都可以使用.遺傳算法從問題解的串集開始搜索，而不是從單個(gè)解開始，因此其覆蓋面大，利于全局擇優(yōu)；該方法采用不受細(xì)微約束的適應(yīng)度函數(shù)值評(píng)估個(gè)體，其定義域可以任意設(shè)定，這使得其應(yīng)用范圍更廣.但是在大規(guī)模問題上，遺傳算法的搜索空間大，花費(fèi)時(shí)間較長(zhǎng)，容易出現(xiàn)早熟收斂情況.因此，遺傳算法適應(yīng)于解決較小規(guī)模的生產(chǎn)排產(chǎn)問題，對(duì)解決基于協(xié)調(diào)生產(chǎn)設(shè)備和交貨時(shí)間的生產(chǎn)排產(chǎn)問題效果明顯.

禁忌搜索是對(duì)人類思維過程本身的一種模擬，它通過對(duì)一些局部最優(yōu)解的禁忌達(dá)到接納一部分較差解，從而跳出局部搜索的目的，具有很強(qiáng)的“爬山”能力，是一種局部搜索能力很強(qiáng)的全局迭代尋優(yōu)算法.采用該方法可以獲得多個(gè)潛在較優(yōu)解，因此可以適用于解決多目標(biāo)的排產(chǎn)問題.

模擬退火算法是一種通用的概率演算法，即通過在一個(gè)大的搜尋空間內(nèi)搜索新問題的最優(yōu)解，具有多解性、最優(yōu)性、魯棒性、快速性等特點(diǎn).基于這些特點(diǎn)，模擬退火算法在處理多目標(biāo)問題上更勝一籌，能有效解決多目標(biāo)生產(chǎn)排產(chǎn)問題.不足的是該方法對(duì)算法中各個(gè)參數(shù)的選擇比較困難，參數(shù)選擇不當(dāng)就無法獲得最優(yōu)解；同時(shí)隨著問題規(guī)模的擴(kuò)大，該方法獲得最優(yōu)解所需時(shí)間更多.

蟻群算法是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型算法.該算法具有并行性、擴(kuò)充性、魯棒性強(qiáng)等優(yōu)點(diǎn)，適用于解決多機(jī)器的生產(chǎn)排產(chǎn)問題.但是針對(duì)大規(guī)模復(fù)雜優(yōu)化問題，蟻群算法需要較長(zhǎng)的搜索時(shí)間，容易出現(xiàn)停滯和早熟收斂現(xiàn)象，如果與其他方法混合使用將獲得更好的效果.

3.4 其他方法

除上述幾種常見排產(chǎn)方法外，用于解決排產(chǎn)問題的方法還包括機(jī)會(huì)約束規(guī)劃、旅行商問題、變鄰域搜索、滾動(dòng)優(yōu)化等.

機(jī)會(huì)約束規(guī)劃是指考慮到所做決策在不利的情況發(fā)生時(shí)可能不滿足約束條件而采用一種原則，即允許所做決策在一定程度上不滿足約束條件，但該決策使約束條件成立的概率不小于某一個(gè)足夠小的置信水平.因此該方法適用于處理不確定的生產(chǎn)排產(chǎn)問題，但必須確定這些不確定性問題發(fā)生的概率.

旅行商問題（TsP）是一個(gè)著名的組合優(yōu)化問題，即給定n個(gè)城市，有一個(gè)旅行商從某一城市出發(fā)，訪問每個(gè)城市各一次后再同到原出發(fā)城市，要求找出的巡回路徑最短.因此在生產(chǎn)排產(chǎn)的應(yīng)用中，對(duì)于有工序要求的生產(chǎn)排產(chǎn)能夠有效獲得最優(yōu)方案.

變鄰域搜索（VNS）的基本思想是在搜索過程中系統(tǒng)地改變鄰域結(jié)構(gòu)集來拓展搜索范圍，獲得局部最優(yōu)解，再基于此局部最優(yōu)解重新系統(tǒng)地改變鄰域結(jié)構(gòu)集拓展搜索范圍找到另一個(gè)局部最優(yōu)解的過程.該方法具有參數(shù)少、魯棒性強(qiáng)、精確度高等特點(diǎn)，適用于解決有工序限制的生產(chǎn)排產(chǎn)問題.但是VNS的鄰域結(jié)構(gòu)集的構(gòu)造、局部搜索設(shè)計(jì)和停止準(zhǔn)則的確定非常重要，如果選擇不當(dāng)，則會(huì)影響VNS的全局收斂.

滾動(dòng)優(yōu)化與一般最優(yōu)控制不同，它不是一次將各時(shí)刻最優(yōu)控制都計(jì)算好，而是隨著采樣時(shí)刻的前進(jìn)反復(fù)地進(jìn)行優(yōu)化.故此方法適用于動(dòng)態(tài)的生產(chǎn)排產(chǎn)問題，特別是多產(chǎn)品生產(chǎn)的排產(chǎn)問題.不足的是因?yàn)樵摲椒ㄊ且环N實(shí)時(shí)優(yōu)化方法，因此在計(jì)劃排產(chǎn)時(shí)需要預(yù)測(cè)產(chǎn)品生產(chǎn)信息，易出現(xiàn)不確定性因素影響排產(chǎn)目標(biāo)實(shí)現(xiàn)的問題.

4 結(jié)論與展望

排產(chǎn)對(duì)制造業(yè)提高生產(chǎn)效率、充分利用資源、降低成本或?qū)崿F(xiàn)成本控制具有重要的意義.本文在對(duì)國(guó)內(nèi)外有關(guān)制造型企業(yè)排產(chǎn)方法研究的基礎(chǔ)上，首先分析了制造型企業(yè)的一般排產(chǎn)問題，即涉及生產(chǎn)設(shè)備數(shù)據(jù)、訂單詳情、產(chǎn)品工藝路線、成本控制和排產(chǎn)目標(biāo)等5個(gè)方面.然后針對(duì)如何整合設(shè)計(jì)排產(chǎn)問題的5個(gè)方面以達(dá)到企業(yè)目標(biāo)，即排產(chǎn)方法的選擇問題，分別分析了常用的幾種排產(chǎn)方法.通過以上研究可知，數(shù)學(xué)規(guī)劃、遞階優(yōu)化、人工智能等方法有各自優(yōu)缺點(diǎn)和一定的使用范圍，基于此，以后的研究可以從以下幾方面入手:

（1）單個(gè)排產(chǎn)方法在研究問題時(shí)往往出現(xiàn)顧此失彼，將多個(gè)優(yōu)化方法組合使用是一個(gè)研究方向.例如將變鄰域搜索與模擬退火方法組合，解決有工序依賴的多目標(biāo)生產(chǎn)排產(chǎn)問題等.

（2）隨著資源約束和買方市場(chǎng)的深度發(fā)展，制造企業(yè)JIT生產(chǎn)和采購(gòu)模式是一個(gè)重要發(fā)展趨勢(shì)，設(shè)計(jì)和開發(fā)適宜JIT模式的新型排產(chǎn)方法是另一個(gè)重要的研究方向.

（3）生產(chǎn)排產(chǎn)是依據(jù)生產(chǎn)計(jì)劃做的具體短期計(jì)劃安排，而在做生產(chǎn)排產(chǎn)的時(shí)候常常會(huì)與生產(chǎn)計(jì)劃產(chǎn)生部分沖突，或者在現(xiàn)有資源條件下，獲得的生產(chǎn)排產(chǎn)方案無法達(dá)到生產(chǎn)計(jì)劃的要求，因此在設(shè)計(jì)生產(chǎn)計(jì)劃排產(chǎn)方法時(shí)，綜合考慮其可擴(kuò)展性，建立智能決策支持系統(tǒng)又是一個(gè)重要的研究方向.

［1］Sortrakul N，Nachtmann H L，Cassady C R.Genetic algorithms for integrated preventive maintenance planning and production scheduling for a single machine［J］.Computers in Industry，2005，56（2）:161－168.

［2］Chan F T S，Chung S H，Chan L Y，et al.Solving distributed FMS scheduling problems subject to maintenance:Genetic algorithms approach［J］.Robotics and Computer－Integrated Manufacturing，2006，22（5－6）:493－504.

［3］Chung S H，Chan F T S，Chan H K.A modified genetic algorithm approach for scheduling of perfect maintenance in distributed production scheduling［J］.Engineering Applications of Artificial Intelligence，2009，22（7）:1005－1014.

［4］Jeong S J，Lim S J，Kim K S.Hybrid approach to production scheduling using genetic algorithm and simulation［J］.Interna－tional Journal of Advanced Manufacturing Technology，2006，28（1－2）:129－136.

［5］Berrichi A，Amodeo L，Yalaoui F，et al.Bi－objective optimization algorithms for joint production and maintenance scheduling:application to the parallel machine problem［J］.Journal of Intelligent Manufacturing，2009，20（4）:389－400.

［6］Jou C.A genetic algorithm with sub－indexed partitioning genes and its application to production scheduling of parallel machines［J］.Computers ＆Industrial Engineering，2005，48（1）:39－45.

［7］Yu S P，Yang D C，Wang X Y，et al.A two－stage heuristic method for vulcanization production scheduling［C］／／Proceedings of the 2011 Chinese Control and Decision Conference.Piscataway:IEEE Computer Society，2011:3609－3613.

［8］Liouane N，Saad I，Hammadi S，et al.Ant systems ＆local search optimization for flexible job shop scheduling production［J］.International Journal of Computers，Communications ＆Control，2007，2（2）:174－184.

［9］Cho S，Prabhu V V.Distributed adaptive control of production scheduling and machine capacity［J］.Journal of Manufacturing Systems，2007，26（2）:65－74.

［10］Li Z K，Ierapetritou M G.Rolling horizon based planning and scheduling integration with production capacity consideration［J］.Chemical Engineering Science，2010，65（22）:5887－5900.

［11］Giovanni L D，Pezzella F.An improved genetic algorithm for the distributed and flexible job－shop scheduling problem［J］.European Journal of Operational Research，2010，200（2）:395－408.

［12］Lee W C，Shiau Y R，Chen S K，et al.A two－machine flow shop scheduling problem with deteriorating jobs and blocking［J］.International Journal Production Economics，2010，124（1）:188－197.

［13］Peng P，Chen E H.The production scheduling problem of aluminum casting based on theory of constraints［C］／／Yuan L.Advanced Materials Research.Clausthal－Zellerfeld:Trans Tech Publications，2011:3666－3670.

［14］Elmi A，Solimanpur M，Topaloglu S，et al.A simulated annealing algorithm for the job shop cell scheduling problem with intercellular moves and reentrant parts［J］.Computers ＆Industrial Engineering，2011，61（1）:171－178.

［15］Tang L，Liu J，Rong A，et al.A mathematical programming model for scheduling steelmaking－continuous casting production［J］.European Journal of Operational Research，2000，120（2）:423－435.

［16］Park M，Kim Y D.A branch and bound algorithm for a production scheduling problem in an assembly system under due date constraints［J］.European Journal of Operational Research，2000，123（3）:504－518.

［17］Sawik T.Integer programming approach to production scheduling for make－to－order manufacturing［J］.Mathematical and Computer Modelling，2005，41（1）:99－118.

［18］Sawik T.Multi－objective production scheduling in make－to－or－der manufacturing［J］.International Journal of Production Research，2007，45（12）:2629－2653.

［19］江盛樹，楊春節(jié)，李平.基于遺傳算法的造紙排產(chǎn)優(yōu)化系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.化工自動(dòng)化及儀表，2003，30（5）:22－24.

［20］Chen Y W，Lu Y Z，Yang G K.Hybrid evolutionary algorithm with marriage of genetic algorithm and extremal optimization for production scheduling［J］.International Journal of Advanced Manufacturing Technology，2008，36（9－10）:959－968.

［21］Liu M，Sun Z J，Yan J W，et al.An adaptive annealing genetic algorithm for the job－shop planning and scheduling problem［J］.Expert Systems with Applications，2011，38（8）:9248－9255.

［22］Chen K，Ji P.A mixed integer programming model for advanced planning and scheduling（APS）［J］.European Journal of Operational Research，2007，181（1）:515－522.

［23］Li Y，Ip W H，Wang D W.Genetic algorithm approach to earliness and tardiness production scheduling and planning problem［J］.Int.J.Production Economics，1998，54（1）:65－76.

［24］Ip W H，Li Y，Man K F，et al.Multi－product planning and scheduling using genetic algorithm approach［J］.Computers ＆Industrial Engineering，2000，38（2）:283－296.

［25］Hwang T K，Chang S C.Design of a lagrangian relaxationbased hierarchical production scheduling environment for semiconductor wafer fabrication［J］.Ieee Transactions on Robotics and Automation，2003，19（4）:566－578.

［26］Soman C A，Donk D P V，Gaalman G J C.Capacitated planning and scheduling for combined make－to－order and make－tostock production in the food industry:An illustrative case study［J］.International Journal of Production Economics，2007，108（1－2）:191－199.

［27］Wu D，Ierapetritou M.Hierarchical approach for production planning and scheduling under uncertainty［J］.Chemical Engineering and Processing，2007，46（11）:1129－1140.

［28］Monkman S K，Morrice D J，Jonathan F B.A production scheduling heuristic for an electronics manufacturer with sequence－dependent setup costs［J］.European Journal of Operational Research，2008，187（3）:1100－1114.

［29］Stecco G，Cordeau J F，Moretti E.A branch－and－cut algorithm for a production scheduling problemwith sequence－dependent and time－dependent setup times［J］.Computers ＆Operations Research，2008，35（8）:2635－2655.

［30］Luh G C，Chueh C H.A multi－modal immune algorithm for the job－shop scheduling problem［J］.Information Sciences，2009，179（10）:1516－1532.

［31］Toledo C F M，F(xiàn)ranca P M，Morabito R.Multi－population genetic algorithm to solve the synchronized and integrated two－level lot sizing and scheduling problem［J］.International Journal of Production Research，2009，47（11）:1－20.

［32］Zhang R，Wu C.A hybrid immune simulated annealing algorithm for the job shop scheduling problem［J］.Applied Soft Computing，2010，10（1）:79－89.

［33］Cao Y，Lei L，F(xiàn)ang Y D.Application of Ant Colony Algo－rithm to Job－Shop Scheduling Problem［C］／／Wang J H，Zhang C F，Jin X L，et al.Advanced Materials Research.Clausthal－Zellerfeld:Trans Tech Publications，2011:407－410.

［34］Shirodkar V A，Sridharan R，Madhusudanan P V.Effective allocation of idle time in the group technology economic lot scheduling problem［J］.International journal of production research，2011，49（22－24）:7493－7513.

［35］Yazid M，Chams L，Stéphane D P.Modelling and solving a practical flexible job－shop scheduling problem with blocking constraints［J］.International Journal of Production Research，2011，49（98）:1－19.

［36］Zhang R，Song S，Wu C.A hybrid artificial bee colony algorithm for the job shop scheduling problem［J］.International Journal Production Economics，2012:1－12.

［37］Chen Y W，Lu Y Z，Ge M，et al.Development of hybrid evolutionary algorithms for production scheduling of hot strip mill［J］.Computers ＆Operations Research，2012，39（2）:339–349.

［38］姚麗麗，史海波，劉昶，等.煙草排產(chǎn)中嵌入規(guī)則的遺傳算法應(yīng)用研究［J］.制造業(yè)自動(dòng)化，2011（8）:89－93.

［39］Bernardo A L，JoséF O，Maria A C.Production planning and scheduling in the glass container industry:A VNS approach［J］.Int.J.Production Economics，2008，114:363－375.

［40］Pendharkar P C，Rodger J A.Nonlinear programming and genetic search application for production scheduling in coal mines［J］.Annals of Operations Research，2000，95（1－4）:251－267.

［41］熊福力，嚴(yán)洪森，安玉偉.一類新的混流裝配線排產(chǎn)優(yōu)化模型［J］.計(jì)算機(jī)集成制造系統(tǒng)，2009，15（12）:2350－2362.

［42］熊福力，嚴(yán)洪森.多級(jí)汽車裝配車間的集成排產(chǎn)優(yōu)化模型［J］.系統(tǒng)工程理論與實(shí)踐，2010，30（10）:1891－1900.

［43］華中生，梁梁，徐曉燕.混流生產(chǎn)線的排產(chǎn)方法［J］.自動(dòng)化學(xué)報(bào)，2002，28（04）:658－662.

［44］Bley A，Boland N，F(xiàn)ricke C，et al.A strengthened formulation and cutting planes for the open pit mine production scheduling problem［J］.Computers ＆Operations Research，2010，37（9）:1641－1647.

［45］Ferreira D，Morabito R，Rangel S.Solution approaches for the soft drink integrated production lot sizing and scheduling problem［J］.European Journal of Operational Research，2009，196（2）:697－706.

［46］蔡韻，楊春節(jié)，李平.造紙生產(chǎn)紙卷分切與庫(kù)存綜合優(yōu)化排產(chǎn)研究［J］.中國(guó)造紙學(xué)報(bào)，2003，18（2）:167－169.

［47］Maud G L，Jan T L，Jan A P.An optimization model for refinery production scheduling［J］.Int.J.Production Economics，2002，78（3）:255－270.

［48］Topal E.Early start and late start algorithms to improve the solution time for long－term underground mine production scheduling［J］.South African Institute of Mining and Metallurgy，2008，108（2）:99－107.

［49］Ramazan S，Dimitrakopoulos R.Production scheduling with uncertain supply:a new solution to the open pit mining problem［EB／OL］.（2010－12－25）［2012－01－21］.http:／／www.springer link.com／content／x2120881q31416n6／.

［50］李雷，李秀喜，錢宇.基于遞階排產(chǎn)法的原油系統(tǒng)排產(chǎn)建模［J］.石油學(xué)報(bào)（石油加工），2005，21（1）:88－94.

［51］Bai J，Sun K，Yang G K.Mathematical model and hybrid scatter search for cost driven job－shop scheduling problem［J］.Journal of Networks，2011，6（7）:976－981.

［52］Loukil T，Teghem J，Tuyttens D.Solving multi－objective production scheduling problems using metaheuristics［J］.European Journal of Operational Research，2005，161（1）:1－20.

［53］Loukil T，Teghem J，F(xiàn)ortemps P.A multi－objective production scheduling case study solved by simulated annealing［J］.European Journal of Operational Research，2007，179（3）:709－722.

［54］Huang R H，Yang C L.Overlapping production scheduling planning with multiple objectives－An ant colony approach［J］.International Journal Production Economics，2008，115（1）:163－170.

［55］Adonyi R，Biros G，Holczinger T，et al.Effective scheduling of a large－scale paint production system［J］.Journal of Cleaner Production，2008，16（2）:225－232.

［56］Zhang G，Shao X，Li P，et al.An effective hybrid particle swarm optimization algorithm for multi－objective flexible jobshop scheduling problem［J］.Computers ＆Industrial Engineering，2009，56（4）:1309－1318.

［57］Moslehi G，Mahnam M.A Pareto approach to multi－objective flexible job－shop scheduling problem using particle swarm optimization and local search［J］.International Journal Production Economics，2011，129（1）:14－22.