前言

为适应敏捷化的车间制造环境，制造执行系统(MES: Manufacturing Execution System) 的概念近10年来逐步形成并得到迅速发展。车间调度是MES的主要功能之一，车间管理控制系统的敏捷性在很大程度上决定着整个企业的敏捷性。由于敏捷制造车间的生产具有多品种、小批量、制造周期短、质量要求高的特点，致使不确定事件! 如加工任务的突然加入或取消、工件到达的随机性、操作延时、机器故障等) 出现的频率明显高于传统的制造环境。敏捷制造的车间生产调度更多地表现为动态调度问题^［1］。

传统的调度研究在考虑一系列调度任务时假定在最初便具有所需要的全部信息，一般采用静态调度的方法。但是生产过程中存在着种种不确定因素，因此使用动态调度方法将使结果更符合实际情况^[2]。

一、静态调度与车间干扰

传统的研究生产调度的方法是静态调度研究。静态的生产调度是在一定的假设条件下安排的^［3］： （1） 假定调度的工件集合是确定的， 没有考虑到生产过程中突发事件的发生， 如预先确定定单的取消以及急件的加入等； （2）假定工件的加工时间是确定的， 并且在安排计划时全部工件都已经到达可用， 这是一种很理想化的状态， 但是在实际生产中工件加工时间的延误经常发生； （3） 假定用以加工工件的机器是连续可用的， 没有将机器设备发生故障的可能性加以考虑； （4） 假定所有参与调度的产品的工艺设计描述和约束都不变， 然而一个产品的设计描述是随客户需求进行变更的； （5） 假定在调度过程中所需要的知识库与数据库都集中在一个地方， 然而在实际生产中所有这些资源都有可能分布在不同的地理位置。

二、几种主要的车间动态调度方法

动态调度必须满足两方面的要求：首先调度的变化必须反映生产线的实时信息，其次，必须在短时间内完成调度变化以免耽误实际操作。

目前主要有 种方法解决动态实时调度问题：

(1) 人工智能(AI) 方法 车间调度问题的研究最初集中在整数规划、仿真和简单的规则等方法上，这些方法不是调度结果不理想，就是难以解决复杂的问题。近年来，在车间调度领域也出现了许多新的优化方法，比如神经网络、模拟退火法、遗传算法等基于人工智能的方法，使得车间调度问题的研究方法向多元化方向发展。针对车间调度问题将人工智能应用于决策支持系统方面的研究比较多，它利用模型和知识，通过模拟、推理等手段为人的决策行为提供支持，从而使人们可以根据车间的不同情况做出相应的、更符合实际的决策。分布式计算与人工智能的结合便于解决分布式的复杂问题，所以出现了分布式人工智能( DAI : Distributed Artificial Intelligence ) 这一研究领域。最近几年对分布式人工智能的基础研究及其在制造中的应用研究表明，分布式人工智能中的多智能体系统理论致力于解决数据、控制、专家知识、资源等分布问题，为智能制造系统的实现提供了可行性技术支持，并成为制造领域中的研究热点之一。尽管人工智能的方法可以解决普通的调度问题，使得调度决策具有一定的智能性，但这种方法也存在一些缺点，如它在解决问题的范围大小方面受到限制，而且，收集人的经验以及认知过程的建模是很困难的。

(2) 仿真方法 由于制造系统的复杂性，很难用一个精的解析模型来进行描述分析。而通过对仿真模型的运行收集数据，就能对实际系统进行性能、状态方面的分析，从而能对系统采用合适的控制调度方法。此方法在设计、运行制造系统方面非常有效，而且它能用作制造系统的实时调度的支持系统。但是基于仿真方法的实时支持系统也存在一些问题，例如，在某些情况下仿真方法要花太多的时间来运行，并且，从某种情况出发而建立的仿真方法不能用于另一种情况，即当环境变化时，需要根据化了的环境重新建造模型、重新进行试验以找到合适的规则集。