APS计划排程算法

• APS的高级计划的主要算法是线性规划、遗传算法等。（但也可以规则算法）。时间跨度为天、周、月等。主要针对问题Lot Sizing (批量），Resource Assignment （资源调配），这里的资源可以是资源组，也可以具体资源。其优点：1、可以适应企业多目标优化。2、目标可以有优先级。3、成熟技术。4、适合大规模问题。5、可以找到最优值或者较好的次优值。其缺点：1、对于次序问题比较困难。2、动态重排的频率不能太多。2、大规模商用成熟优化器一般比较昂贵。

• APS高级排程的主要算法是约束规划（CP）、经验规则、启发式算法。时间跨度为连续时间，或者分、小时、天等。主要针对问题派工与Sequencing （顺序）。其优点：1、可以处理排序问题。2、可以处理动态复杂工序问题。3、算法以找到可行解为主要目标。其缺点：1、无法实现多目标同时优化。2、算法个性化程度较高。3、可处理的变量数量和复杂程度限制较高。

• 优化(Optimization)是用系统的方法,在业务约束基础上来改善计划或排程，数学规划(线性和混合整数规划)较适用于战略计划如网络选址、寻源等。启发式算法(约束传播或模拟仿真等)较适用于战术计划或运作计划如生产排程等。人工智能、基因算法，较适用于有大量的可能方案选择。

• APS算法的发展已发展到第四代，第一代是基于约束理论的有限产能算法。第二代是基于规则的算法、线性规划、启发式规则算法、专家系统。第三代是遗传算法、模拟退火算法、蚁群/粒子群算法、神经网络。第四代是AI算法+动态调整算法MAS多智能代理系统，以MAS多Agent协商进行动态调整。

• APS计划与排程需要快速收敛寻优，故人工智能的ML机器学习与DL深度学习适应高层的决策分析与现场传感层的识别。而人工智能的GA等运筹优化与规则启发优化较适应运作层与现场调度优化。

• AI人工智能的GA遗传算法与ML机器学习的区别是前者是模仿生物进化原理进行网络权值的学习，而后者是模仿生物脑神经采用反向传播（BP）算法进行权值学习。ML需要大数据，擅于识别与预测。而GA不需要大数据，通过动态数据启发优化与权衡决策。

• APS为了快速响应客户需求，需要快速收敛、简洁的启发式算法，当快速收敛启发式规则适应于环境结构（如时间、知识、计算能力）的时候，从复杂动态系统的角度看它就是合乎理性的。也就是说它在追求满意（而不是最优）的目标或线索间进行有限搜索（有限理性），并利用环境结构约束做出适应性决策。