随机作业车间中集成式三阶段调度与执行瓶颈识别

《Expert Systems with Applications》：Integrated ternary scheduling and execution bottleneck identification in stochastic job shops

针对三角形分布加工时间的随机车间调度问题，提出整合分层进化框架，通过对称三元随机数建模不确定性，结合三元遗传算法生成乐观/期望/悲观调度方案，并采用三元TOPSIS方法动态识别执行瓶颈，揭示调度质量与瓶颈演化的收敛规律。

　　这项研究针对一个具有三角分布处理时间的随机作业车间调度问题（SJSSP）提出了一个综合的分层进化框架。研究团队由来自西航大学经济与管理学院的几位学者共同完成，他们通过结合三元调度和执行瓶颈识别，旨在更有效地应对制造环境中存在的不确定性。传统作业车间调度问题（JSS）主要关注如何在固定的计划期内，为一组按照预设路径进行加工的作业分配资源，以优化诸如完工时间（makespan）、延误或流程时间等性能指标。然而，在实际生产中，各种不确定性因素如机器故障、处理时间波动、动态交货日期和需求变化等，使得问题变得更加复杂。因此，SJSSP通过引入这些不确定性因素，扩展了经典JSSP的应用范围，成为当前生产调度研究中的一个重要课题。

研究指出，准确描述制造环境中的不确定性仍然是一个挑战。因为精确的概率分布往往需要大量的历史数据，而这些数据在实际中可能并不容易获得。尽管如此，实际生产中的操作人员通常会对关键参数，如处理时间，进行合理的估计，给出可能的下限、上限以及最可能值。在这种背景下，三角分布被引入到SJSSP中，以更好地表示这些不确定性。三角分布通过三个关键点：下限、上限和模式（即最可能值）来定义，这种方法在模拟和蒙特卡洛分析中已经被广泛应用，但在调度问题，特别是SJSSP中却较少被探讨。因此，本研究选择将三角分布应用于处理时间，并在此基础上提出了一种新的解决方法。

研究的核心在于构建一个综合的分层进化框架，该框架能够同时解决三元调度和执行瓶颈识别的问题。三元调度是一种基于对称三元随机数（STRNs）的决策过程，它将不确定参数以三个点估计的形式进行表示，即下限、期望值和上限。在该框架的第一层，研究团队将随机变量建模为STRNs，并利用三元遗传算法（T_GA）生成三种调度场景：乐观、期望和悲观，分别对应于不同不确定性实现的情况。通过三元Gantt图，可以直观地展示这三种调度方案，从而帮助决策者更好地理解在不同不确定性水平下的生产安排。这一方法不仅提高了调度的灵活性，还增强了对风险的可视化能力。

在框架的第二层，研究团队提出了一种基于三元扩展的“基于理想解的相似度排序技术”（T_TOPSIS）方法，用于识别执行瓶颈。执行瓶颈是与调度相关的约束，它们在生产过程中动态出现，并随着不确定性的变化而发生变化。与传统的静态瓶颈分析不同，T_TOPSIP方法能够基于三元调度的结果，利用多属性绩效指标进行综合评估，从而更准确地识别出在实际生产中可能成为瓶颈的工序或机器。这一方法在不确定性环境下提供了更全面的瓶颈识别能力，有助于优化生产流程并提高整体效率。

通过数值实验，研究团队验证了所提出框架的有效性，并进一步探讨了调度质量与瓶颈演变之间的动态关系。实验中，研究团队选取了十二个LA实例，这些实例包含了50、75、100、150、200和300个操作步骤，作为基准案例。通过对这些案例的处理时间进行调整，使其遵循对称三角分布，研究团队能够更好地模拟实际生产中的不确定性。实验结果显示，执行瓶颈往往与计划瓶颈不同，且会随着具体的生产调度方案而变化。此外，随着调度质量的提高，执行瓶颈呈现出一种趋于稳定的趋势，这表明在不确定环境下，高质量的调度方案能够更有效地控制瓶颈的动态变化，从而提升生产管理的效率。

研究的主要贡献体现在三个方面。首先，提出了适用于SJSSP的三元调度方法，使决策者能够同时生成并可视化乐观、期望和悲观三种调度场景，从而更全面地评估不同不确定性水平下的生产安排。其次，开发了一种通用的三元遗传算法（T_GA），其编码和解码机制具有较强的可扩展性，能够适应其他基于遗传算法的SJSSP求解方法。最后，引入了一种执行瓶颈识别方法（T_TOPSIS），揭示了调度变化与执行瓶颈之间的关系，为不确定环境下的生产管理提供了新的思路。

本研究的框架不仅在理论上具有创新性，而且在实际应用中也展现出较大的潜力。通过将三元调度与执行瓶颈识别结合起来，该框架能够更全面地应对生产中的不确定性，为制造企业提供了更为科学和系统的调度决策支持。此外，研究团队在实验中还发现，随着调度质量的提升，执行瓶颈的动态变化逐渐趋于稳定，这为生产管理中的风险控制和流程优化提供了重要的理论依据。

在生产管理的实际操作中，瓶颈的识别和控制是提高效率和降低成本的关键环节。传统的瓶颈分析通常基于静态系统参数，如机器性能、作业路径等，但在随机作业车间环境中，这些参数可能会受到多种不确定性因素的影响，从而导致瓶颈的动态变化。因此，如何在不确定环境下准确识别和管理执行瓶颈，成为了一个亟待解决的问题。本研究提出的T_TOPSIS方法，通过引入多属性绩效指标，能够在不同的调度方案下动态评估瓶颈的位置和影响，为生产管理人员提供了更为精准的决策依据。

此外，本研究还强调了调度质量对执行瓶颈稳定性的影响。在实际生产中，调度方案的质量直接决定了生产流程的效率和稳定性。高质量的调度方案不仅能够减少延误和资源浪费，还能够更有效地识别和应对潜在的瓶颈问题。研究团队通过实验发现，当调度质量提高时，执行瓶颈的变化幅度减小，趋于稳定。这一发现对于制造企业优化生产流程、提升整体运营效率具有重要的实践意义。

本研究提出的框架和方法，为不确定环境下的作业车间调度问题提供了一种新的解决方案。它不仅能够生成多种调度方案，还能够动态识别执行瓶颈，从而帮助企业在复杂的生产环境中做出更加科学和合理的决策。随着智能制造和工业4.0的发展，生产调度问题正变得越来越复杂，传统的调度方法已经难以满足实际需求。因此，研究团队提出的方法具有较高的应用价值，能够为制造企业提供更加灵活和高效的调度支持。

在实施过程中，研究团队还考虑到了算法的可扩展性和通用性。所提出的T_GA算法不仅适用于SJSSP，还能够被扩展到其他类型的调度问题中。通过设计通用的编码和解码机制，该算法能够适应不同的问题规模和结构，从而提高其在实际应用中的灵活性。此外，T_TOPSIS方法在瓶颈识别方面也具有较强的适应性，能够根据不同的多属性绩效指标进行调整，以满足不同生产环境的需求。

为了进一步验证所提出方法的有效性，研究团队进行了详细的数值实验。他们选取了多个基准实例，并对处理时间进行了调整，使其符合对称三角分布。实验结果表明，该框架能够在不同的不确定性水平下生成高质量的调度方案，并准确识别出执行瓶颈。这些结果不仅验证了框架的可行性，还为未来的研究提供了方向。例如，可以进一步探索不同类型的不确定性分布对调度结果的影响，或者研究如何将该框架应用于更复杂的生产系统中。

在实际应用中，该框架可以为制造企业提供一种新的调度决策工具。通过生成三种不同的调度场景，企业能够更好地评估不同情况下的生产安排，并根据实际需求选择最优方案。同时，执行瓶颈的动态识别功能，使得企业在生产过程中能够及时发现和应对潜在的瓶颈问题，从而避免生产延误和资源浪费。此外，随着调度质量的提升，执行瓶颈的稳定性增强，这表明该框架不仅能够提高调度的效率，还能够增强生产系统的鲁棒性。

本研究还指出，执行瓶颈的识别和管理对于提升生产效率至关重要。在不确定环境下，瓶颈可能会随着不同的调度方案而发生变化，因此，传统的静态分析方法可能无法准确反映实际情况。通过引入T_TOPSIS方法，研究团队能够基于三元调度的结果，动态评估瓶颈的位置和影响，从而为生产管理提供更加精准的决策支持。这种方法不仅提高了瓶颈识别的准确性，还增强了生产流程的灵活性和适应性。

在实际生产管理中，调度方案的质量直接影响到执行瓶颈的稳定性。因此，如何提高调度方案的质量，成为了一个重要的研究方向。研究团队通过数值实验发现，随着调度质量的提升，执行瓶颈的变化幅度减小，趋于稳定。这一现象表明，在不确定环境下，高质量的调度方案能够更有效地控制瓶颈的动态变化，从而提高生产系统的整体效率。因此，未来的研究可以进一步探索如何在不同的不确定性条件下，优化调度方案以实现更稳定的瓶颈管理。

总的来说，本研究通过提出一个综合的分层进化框架，为不确定环境下的作业车间调度问题提供了一种新的解决方案。该框架不仅能够生成多种调度方案，还能够动态识别执行瓶颈，从而帮助企业在复杂的生产环境中做出更加科学和合理的决策。研究团队的贡献在于，他们不仅引入了三元调度和执行瓶颈识别的方法，还通过实验验证了这些方法的有效性，为未来的研究和实际应用提供了重要的理论依据和实践指导。