1 智能调度是制造系统运行优化的核心
近年来，随着大规模定制和协同生产模式的发展，制造企业需要获取客户的个性化定制数据和分布式环境下的车间制造数据，实现生产资源的合理配置［1－2］。一些明显的环境和产业变化，使得制造业的服务化成为一种世界范围内的新趋势。这些变化主要表现在以下3个层面：
（1）消费行为的转变。终端顾客由传统的对产品功能的追求，转变为基于产品的更加个性化的消费体验和心理满足的追求。这使得制造业的服务化在制造环节更加贴近客户的需求和心理满足，最终表现为对客户服务价值实现的追求。
（2）企业间合作和服务的趋势。由传统的单个核心企业转变为企业间密切的合作联系，企业间通过密切的交互行为充分配置资源，形成密集、动态的企业服务网络。
（3）企业模式的转变。世界典型的大型制造企业纷纷由传统的产品生产商转变为基于产品组合＋全生命周期服务的方案解决商。
制造系统智能调度指利用人工智能技术，依靠具备自主感知、学习、分析、决策和协调控制的智能化设备，结合互联网来进行制造企业生产的动态协同自适应的管理活动。面对企业与企业、车间与车间之间互联程度越来越高的复杂环境，现代化制造系统正逐渐向大数据和智能化系统演变［3］。因此，优化智能调度是企业快速响应市场变化、组织高效生产和满足用户多样化需求的根本途径［4］，是制造系统运行优化的核心。只有这样，才能逐渐降低制造企业的生产成本，提升排产效果，提高经济价值。
2 新时代制造业与云服务的结合更紧密
制造业服务化所展示的资源整合、价值创造、知识创新等优势越来越明显［5－6］，因此，相对落后的制造系统调度方法也逐渐成为制造企业服务化过程中的瓶颈。所以新时代的制造业应具有的特点具体如下：数据的集成化与更高的共享度，优越的调度优化全局性能［7］；针对生产过程中的动态时间（如设备故障、订单变更等）更快的响应速度［8］；调度系统更强劲和更广泛的可扩展性，以应对随时变化的生产环境［9］。
基于大数据、云计算和物联网技术，制造系统结合智能调度云服务，能够缩短制造车间调度系统开发周期，提高业务响应速度，实现用户服务获取与数据共享［10］，与现代制造调度系统的需求相符合。构建基于云服务的制造系统智能调度平台，可实现“按需即用，随需应变”，能够适应现代制造系统服务化需求，实现多系统的跨区信息交互、业务整合以及海量数据存储和处理［11］，集成和共享面向服务的体系架构，便于实现动态扩展，能产生巨大的经济效益［12］。
3 制造系统调度问题研究的结构体系
制造系统调度问题基于数学模型来描述，了解调度问题的实质需要从数学模型入手进行分析比较。在理解模型的基础上，使用不同的智能调度算法求解调度问题，使得近似化算法求解最大程度上趋于最优。结合云计算技术，应用到智能调度云服务体系，以适应智能调度逐渐向云制造转变。多条并行产线或多道工序具有加工能力不同、生产时间不等、生产成本不一致的特征，归结为非等效并行调度问题；为提高调度的柔性，每道工序添加多条加工工艺路线，为选择一条合理的工艺路线且能生成全部任务的调度结果，产生了多工艺路线作业车间调度问题；结合流水车间调度问题和并行机调度问题，集成产品的批次划分，构成了混合流水车间调度问题；而面对复杂产品的装配过程中多型架、多种零部件、多构型的特点，并且装配过程中可能发生工时偏差、零件报废、型架被占用等异常事件，结合平尾翼装配过程实例，介绍了混流装配线智能调度问题。由于不同产品的制造过程特征不同，产品的生产计划安排往往需要面向多制造过程进行，为保证产品总体进度最优，面向多车间、多制造过程的调度模型和算法，开发出智能调度算法库和插件平台，实现不同调度算法的集成。为了促进小微制造企业信息化完善，以灵活的方式根据自身需要选择合适的服务，书中给出了制造系统智能调度云服务平台原型系统设计实例与实现过程。制造系统调度问题研究的结构体系如图1所示。
图1 制造系统调度问题研究框架
Fig.1 Research framework of manufacturing system scheduling problem
4 求解大规模调度问题，智能调度算法提供新思路
由于制造系统中的绝大部分调度问题均属于NP-hard组合优化问题，在不同的发展阶段，研究的侧重点和手段方法有较大差别。早期解决调度问题的主要方法为精确方法，包括分支定界法、混合整数规划法、拉格朗日松弛法、分解方法等，它们虽然能够保证得到全局最优解，但对大规模的问题却表现出计算量繁复的劣势。虽然近似算法中的启发式规则能快速得到问题的解，但解的质量通常较差，难以得到全局优化结果，不能很好地对获得的结果进行次优性的定量评估。
20世纪80年代以来，人们通过模拟或揭示某些自然现象、过程和规律而产生的人工智能算法，为解决复杂的组合优化问题提供了新的思路和手段。这些算法有的是从生物学的机理中受到启发而建立的智能算法，如遗传算法、粒子群算法和蚁群算法等；有的是从物理学、人工智能的思想中受到启发，由传统的局部搜索算法扩展而提出的，如禁忌搜索算法、模拟退火算法等；以及受帝国竞争机制启发而建立的帝国竞争算法。这些智能算法的目的都是解决NP-hard组合优化问题的全局最优解，并追求求解的快速性。
5 调度系统云服务体系——基于云计算的智能调度
目前关于云计算，为大众所广泛接受的是美国国家标准与技术研究院（NIST）的定义：一种按使用量付费的模式，提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池，只需投入很少的管理工作。云计算是一种动态的、易扩展的、基于互联网的、利用虚拟化技术为不同用户提供服务的计算模式。
云计算基本结构由SOA构建层、管理中间层、资源池层和物理资源层构成，所具有的能力分别为获得服务接口、服务注册、服务查找、服务访问和服务工作流；对虚拟资源情况进行实时监测以达到均衡管理云计算资源，以及根据用户提交的任务找到相应资源并进行部署和管理；应用虚拟化技术，将数据中心包含的基础设施和硬件资源虚拟为各种虚拟资源，并供给管理中间层对资源分配利用；不同地域数据中心的物理资源基础设施构成云计算硬件的硬件平台支持。
现代网络化先进技术与云计算、物联网等技术相结合所构建出的云制造服务模式，不仅可以实现资源的跨地区、跨空间大规模配置，满足大规模复杂制造任务的需求，而且其专业化的服务平台可以实现大批量的资源匹配和信息检索，实现制造资源的智能化配置。云制造服务把用户的需求放在价值链的顶端，实现了真正的面向服务、面向需求的架构。这种大转变是实现生产型企业向服务型企业转变、实现资源优化配置以提高资源利用率的关键。
调度业务具有实时性强、可靠性高、分布广、一体化程度高等特点。借助云计算的发展，可以更好地提高调度智能化和一体化水平。调度领域具有广域监控与集中管理的特点，通过远程访问代理服务实现从本地计算机到远程服务的访问，提供网络文件服务、节点冗余管理和并行计算等功能。基于云计算的调度愿景，是通过调度数据网络将分布于各调度中心的应用、数据及IT资源整合成一个抽象的、虚拟的和可动态扩展的调度资源池，以“需则可用”的方式快速为模型管理、实时监控与预警、方式计算、调度计划编制、安全校核以及调度管理等业务应用提供所需的计算、控制、信息、存储等各类服务，从而实现计算能力和海量信息的共享以及应用功能的协同，更好地适应未来调度领域对业务融合和多层级、多维度高效协同的需求。调度领域采用虚拟化分布式处理、云安全等云计算技术，具有广阔的应用前景。
6 典型制造系统智能调度方法
制造系统的产能主要取决于瓶颈工序的生产能力，提高瓶颈工序的计划与调度水平能够优化生产资源的配置，改善生产系统的绩效。制造系统通常具有多条并行生产线或多道工序，且每道工序有多台并行设备生产。由于并行生产线或设备功能相同，但存在加工能力不同、生产时间不等、生产成本不一致的非等效特征，从而产生了非等效并行机调度问题；在日益完善的生产制造系统中，为了提高调度的柔性，每道工序可以有多条可行的加工工艺路线，则零件能以不同的方式加工，从而产生了多工艺路线作业车间调度问题；由于同一种产品作为最小的调度单元，而实际生产中一种产品包含多个工件，对产品进行合理批次划分进而缩短设备负载缩短周期，结合流水车间调度和并行机调度进而产生了混合流水车间调度问题；由于一些大型复杂产品装配涉及多副型架、多种零部件供应、多构型产品混流装配等多种因素，从而产生了混流装配线调度问题。
6.1 非等效并行机智能调度方法
非等效并行机调度问题，即在多个工件在多台机器上加工的基础上，要求每个工件仅需在某台机器上加工一次，它在各台机器上的加工时间完全独立，使得某个调度序列的目标函数最优，例如最小化最长完工时间。针对带重入式特征的非等效并行机动态调度问题，滚动时间窗口的大小与窗口工件的数量可以依据生产中的实际情况加以确定。采用两段式编码策略，完成设备选择和确定加工顺序，解码后利用集成PD-SRPT规则的递阶混合帝国竞争算法，进行初始化、同化、交换地位、代价计算、竞争、革命和取优过程，对比不同驱动机制并综合，能够得到混合利用了PDSRPT规则的递阶混合帝国竞争算法，对在线调度问题进行局部优化的同时，兼顾了全局调度性能，相对于一般的算法，加入基于混沌序列的局部搜索算法后，算法性能有了进一步提高。
6.2 多工艺路线作业车间智能调度方法
多工艺路线作业车间智能调度方法主要分为单目标多工艺路线柔性作业车间调度问题（flexible job shop scheduling problem with process plan flexibility，FJSP-PPF）方法、多目标 FJSPPPF方法和批调度方法。单目标主要是以最小化最长完工时间为目标，研究问题的建模方法、调度模型和优化算法，目前的建模方法主要有基于染色体种群的建模方法、基于语法的建模方法和混合整数线性规划模型建模方法。在多目标优化问题中，最优解的定义相比单目标问题中的定义有较大变化，单一目标的比较不适用，需要找到的是包含多个目标的妥协解，在不降低其他目标性能的情况下尽量提高一个目标的性能，使其成为一个有效解。常见的目标有最小化最长完工时间、平均流经时间、最大机器负载、机器总负载、拖期惩罚、设备空闲时间等。但是，早期大多数车间调度问题的研究没有考虑工件的批量，而在实际生产中工件往往是成批生产的，即构成批量生产调度问题。多工艺批量调度是柔性作业车间调度的扩展，工件不仅采用批量生产，而且每种工件具有多条加工路径。
面向多目标优化的三阶段蚁群调度算法应用于多工艺路线作业车间调度问题，采用三层嵌套结构，第一阶段为工艺路线选择层，蚂蚁根据一定的状态转移规则进行搜索，得到工艺路线选择方案；第二阶段为机器指派层，针对工艺路线选择蚂蚁搜索到的每一种工艺路线序列，为各批次的每一道工序指派机器，第三阶段为工序排序层，针对机器指派层搜索到的工艺路线序列的每一种机器指派方案，对工艺路线约束下各机器的工序进行排列，并根据序列得到排产方案。相比其他调度方法，应用于FJSP-PPF的三阶段蚁群算法能够表现出明显的优越性。
6.3 混合流水车间智能调度方法
混合流水车间调度问题（hybrid flow-shop scheduling problem，HFSP）结合了流水车间调度问题和并行机调度问题，主要分为静态调度和动态调度。静态调度中包含订单分批问题和多目标生产调度问题，由于智能化方法求解效率高、易于融入问题知识和鲁棒性强，在求解大规模复杂的组合优化问题方面具有很好的优势，但基于其自身的不足和优势互补的思想，常考虑将智能化方法和启发式方法相结合。静态调度问题中，一般设定一个调度周期的各项参数事先已知并且在该周期内不会改变。但在实际生产过程中，一些参数会随着生产活动的进行发生变化，按照确定环境中建立模型得到的调度方案在实际生产过程中执行时可能不再是最优的，通常将这些在实际生产过程中的不确定事件称为动态事件或扰动。针对动态事件影响下的调度问题通常采用的措施是重调度，而对重调度策略的研究主要有完全反应式和预测反应式。近年来，群智能方法由于具有较强的通用性和较低的经验依赖性等优点，在重调度中得到了广泛的重视。
6.4 混流装配线智能调度方法
以飞机平尾翼装配为例的混流装配调度问题具有复杂的动态生产环境，经常发生各种动态异常事件。由于装配过程中部分采用人力手工装配生产模式，装配过程中经常发生装配工时偏差事件；装配过程中可能发生零部件装配报废现象；装配型架可能会临时被其他产品订单紧急占用。所以该类问题具有多道装配工序、每个工序具备多个装配站位多构型混流装配、装配周期长等特点，该类问题可分为正向调度问题和逆向调度问题，利用改进的两级遗传算法对正向调度问题进行求解，利用混合遗传算法对逆向调度问题进行求解。由自适应容忍度驱动机制的偏差容忍实验分析，基于该策略的智能调度算法在求解混流装配线调度问题上表现出优异的求解性能。
7 整合统一——智能调度算法库应用于多制造过程控制管理
飞机、大型汽轮机、压缩机、发动机、大型电力装备等复杂装备的生产制造过程，是由多个跨时空、跨地域的制造系统耦合而实现的分布式复杂制造过程。大型负载装备多为单件小批量生产，其关键零部件复杂度高、精度高、价值高，整个产品的生产组织一般都是围绕其关键零部件展开多个不同的制造过程。不同产品制造过程特征不同，因此，产品的生产计划安排往往需要面向多制造过程进行，从而保证产品总体进度最优。
智能调度算法库应用于多制造过程控制管理多采用面向对象程序设计的思想，充分利用面向对象编程语言的继承性和多态性，利用接口开发技术定义规范，利用类的继承实现父类和子类的层次分解，可以使算法库具有很好的灵活性和可扩展性。利用Microsoft.Net类库技术，将调度算法封装为类库中的不同方法，最终形成DLL文件供其他程序调用。采用三层架构来开发类库，数据层包含SQL Server数据库、专用存档文件、Excel数据文件，通过协议与过程层相连，包含参数输入、问题建模、算法选择和配置、问题求解和结果输出，输出的结果通过应用程序接口反映到应用层，体现在甘特图、数据报表和性能指标分析图中。
生产计划与调度算法库包含5部分功能，首先在问题定义时，结合调度问题的特征实现对不同类型调度问题的归类，针对每一类问题给出适用的算法以供选择；建立模型时，定义统一的建模流程，实现建模流程的格式化、规范化；算法插件封装，将不同的算法封装后作为插件，通过统一的接口集成到平台中。可根据调度背景添加和移除算法插件，实现平台快速配置；在系统输入输出上，制定兼容各问题描述的输入规范，制定统一的文件存储格式和图标输出规范；基础功能代码复用，实现文件读写、甘特图绘制、数据库访问、用户权限控制等基础功能的模块化。
结合上述方法结构，多制造过程的智能调度算法库总的功能实现设计思路如下：首先进行问题定义，选择问题类别、选择具体问题、设定问题参数、载入问题相关数据；其次设置算法插件，为各算法建立专有类库项目；再次建立模型，选择调度算法、选择目标函数、设定约束条件、设定算法参数；最后模型建立完毕后求解算法，执行算法，显示算法中间结果，对结果进行输出和保存。基于此，可以借助此实例，从中观和微观层面实现产品制造过程的控制与管理，以及企业生产计划的闭环控制。
8 调度服务云平台系统为更多小微型企业日常调度服务提供方案需求
生产计划与调度根据市场的需求和企业的生产能力，对企业中的产出产品、产出速度、产出时间、劳动力和设备配置以及库存等问题做出预先的考虑和安排。生产计划与调度技术是企业生产管理的核心和关键技术，系统、全面、合理的生产计划与调度方法不仅有助于提高制造企业的整体运行效率，而且能为企业带来显著的社会效益和经济效益。随着企业信息化、自动化程度的提高，企业生产计划与调度方案的制定已从过去的人工排产阶段进入计算机排产阶段。排产算法也由最初的规则算法拓展到启发式规则、智能算法等多种方法。企业资源计划（ERP）、制造执行系统（MES）、高级计划与排程系统（APS）等的出现，使得精确的制造过程管控成为可能。
随着“互联网＋”的浪潮和“大众创业”的政策导向，我国出现了大批小微型企业。相比大型制造企业的成熟完善，小微型企业在制造设备、管理体系、人才配置和资本方面有着较大差距，加之对应的制造系统多样，使其在企业管理信息化上面临着投资高、难以找到合适的软件系统的难点，从而制约了其进一步的发展。云服务概念的提出，为小微型制造企业的信息化提供了新的解决思路。通过提供IaaS、PaaS、SaaS等多种不同类型的云制造服务，以灵活的方式有效地帮助小微制造企业解决企业信息化的问题。
制造系统调度云服务的核心思想是实现计划调度的云端化、层次化、并行化和分布化，其体系由企业用户、调度云服务平台、云计算基础设施3部分构成，关键功能模块包括数据采集模块、数据存储模块、调度算法库模块、调度方案执行监控模块、服务封装与发布模块、用户在线交互模块，借助物联网、云计算等技术来实现制造资源和制造能力的共享、协同与服务化；实现生产数据的合理组织与有效管理，为上层提供可靠可复用的数据资源；通过调度问题、调度对象、目标约束等不同分类条件，对不同类别的调度算法实行直观有效的统一管理和规范化输入输出；实现对制造执行过程的把控，达到数据反馈的效果；实现某业务目标将若干个Web服务按照一定业务逻辑组装成组合服务并执行；使物理世界与信息世界之间的交互更加顺畅等。
9 展望
通过阅读本书，可以帮助从事智能调度的科研人员、学生在熟悉多种制造系统调度模型异同的基础上充分了解制造系统调度方法的发展过程和适用条件，全面掌握多种制造系统智能调度算法的原理和应用，领略基于云计算的制造系统调度服务体系的精髓，由浅入深地充分理解非等效并行机调度问题、多工艺路线作业车间调度问题、混合流水车间调度问题、混流装配线调度问题的智能调度方法，以及它们特有的云端化处理技术的应用方法，并结合面向多制造过程调度算法库与制造系统智能调度云服务平台，分别对实际案例进行全程模拟，这对掌握智能调度方法和云服务技术具有重要指导意义。
阅读本书，也可以为从事制造业调度设计和云端化技术的企业工作人员提供参考。云服务概念的提出和云计算、大规模数据处理方法、制造服务的出现，为小微型企业的制造提供了新方案。智能调度作为制造系统运行优化的核心，将和云技术结合得更加紧密，从而呈现出云端化、层次化、并行化和分布化特点。
云端化 计划调度算法以远程服务的形式提供，核心调度算法库部署在云平台上，企业通过远程调用的方式租用相应的调度模块，来管理车间生产过程。
层次化 实现制造系统调度云服务平台内部架构的分层设计，将通过数据访问、调度算法、对外接口、图形报表等不同目标的功能点进行优化组合，内聚成数据访问层、业务逻辑层、用户服务层，使得各层间解耦，更加便于系统开发和提供服务。
并行化 通过数据分区、算法分解、资源协调等方式，将原有的单线程的算法发放到多处理器多线程上，以实现同时处理大量数据，并充分利用云平台带来的大量计算资源，加快处理速度。
分布式 通过使用众多服务器以可控的成本快速搭建调度云服务平台，同时提供高并发能力、高吞吐能力、高计算能力、高扩展能力、高容错能力和高可靠性的服务。
基于物联网和云服务，实现智能设备之间、人与生产资料之间的互联互通，将会使更多企业产生生产制造变革，逐步走向智能化。随着人工智能技术的不断发展，应用机器学习和深度学习的方法在智能调度上的应用将更加广泛和深入，并且结合多领域（如生物技术、金融学、语言学甚至社会行为学等）在智能调度方面的跨学科研究也将呈现出越来越深入的趋势。相信未来智能调度和云服务将在生产设备更新、不断吸引新型技术的同时，不断地发展和变化，并最终能够在企业中生根发芽，引领中国智能制造创造出更多成就，使祖国的工业发展更加繁荣昌盛。
［1］ 周济.智能制造——“中国制造2025”的主攻方向［J］.中国机械工程，2015，26（17）：2273-2284.ZHOU Ji.Intelligent Manufacturing－Main Direction of“Made in China 2025”［J］.China Mechanical Engineering，2015，26（17）：2273-2284.
［2］ 张洁，高亮，秦威，等.大数据驱动的智能车间运行分析与决策方法体系［J］.计算机集成制造系统，2016，22（5）：1220-1228.ZHANG Jie，GAO Liang，QIN Wei，et al.Big-data-driven Operational Analysis and Decision-making Methodology in Intelligent Workshop［J］.Computer Integrated Manufacturing Systems，2016，22（5）：1220-1228.
［3］ 吕佑龙，张洁.基于大数据的智慧工厂技术框架［J］.计算机集成制造系统，2016，22（11）：2691-2697.LYU Yulong，ZHANG Jie.Big-data-based Technical Framework of Smart Factory［J］.Computer Integrated Manufacturing Systems，2016，22（11）：2691-2697.
［4］ WANG Junliang，ZHANG Jie.Big Data Analytics for Forecasting Cycle Time in Semiconductor Wafer Fabrication System［J］.International Journal of Production Research，2016，54（23）：7231-7244.
［5］ 张富强，江平宇，郭威.服务型制造学术研究与工业应用综述［J］.中国机械工程，2018，29（18）：2144-2163.ZHANG Fuqiang，JIANG Pingyu，GUO Wei.Academic Research and Industrial Applications of Service-oriented Manufacturing ［J］.China Mechanical Engineering，2018，29（18）：2144-2163.
［6］ JIANG Pingyu，DING Kai，LENG Jiewu.Towards a Cyber-physical-social-connected and Service-oriented Manufacturing Paradigm：Social Manufacturing［J］.Manufacturing Letters，2016，7：15-21.
［7］ 张洁，秦威，吴立辉.晶圆制造自动化物料运输系统调度［M］.武汉：华中科技大学出版社，2015.ZHANG Jie，QIN Wei，WU Lihui.Wafer Fabrication Automated Material Handling System Scheduling［M］.Wuhan：Huazhong University of Science and Technology Press，2015.
［8］ 潘全科，高亮，李新宇.流水车间调度及其优化算法［M］.武汉：华中科技大学出版社，2013.PAN Quanke，GAO Liang，LI Xinyu.Flow Shop Scheduling and Its Optimization Algorithm［M］.Wuhan：Huazhong University of Science and Technology Press，2013.
［9］ 于晓义，孙树栋，王彦革.面向随机加工时间的车间作业调度［J］.中国机械工程，2008，19（19）：2319-2324.YU Xiaoyi，SUN Shudong，WANG Yange.Research on Stochastic Processing Time Oriented Job-shop Scheduling ［J］.China Mechanical Engineering，2008，19（19）：2319-2324.
［10］ 刘永奎，王力翚，王曦，等.云制造再探讨［J］.中国机械工程，2018，29（18）：2226-2237.LIU Yongkui，WANG Lihui，WANG Xi，et al.A Revisit to Cloud Manufacturing［J］.China Mechanical Engineering，2018，29（18）：2226-2237.
［11］ 李伯虎，张霖，王时龙，等.云制造——面向服务的网络化制造新模式［J］.计算机集成制造系统，2010，16（1）：1-7.LI Bohu，ZHANG Lin，WANG Shilong，et al.Cloud Manufacturing：a New Service-oriented Networked Manufacturing Model［J］.Computer Integrated Manufacturing Systems，2010，16（1）：1-7.
［12］ 陶飞，戚庆林.面向服务的智能制造［J］.机械工程学报，2018，54（16）：11-23.TAO Fei，QI Qinglin.Service-oriented Smart Manufacturing［J］.Journal of Mechanical Engineering，2018，54（16）：11-23.