综述：具有资源灵活性的作业车间调度：从传统方法到集成人工智能方法的系统综述

《Journal of Industrial Information Integration》：Job-Shop Scheduling with Resource Flexibility: A Systematic Review from Traditional to AI-Integrated Approaches

本文系统综述了资源柔性工作车间调度问题（DRCJSP、FJSP、DRCFJSP），分析传统方法与AI/ML结合的进展，探讨可持续性、人机协作及实时调度等未来方向，为制造业优化提供参考。

　　

沙班·乌斯曼（Shaban Usman）|叶天润（Tianrun Ye）|法希姆·艾哈迈德（Faheem Ahmed）|黄世泽（Shize Huang）|穆罕默德·胡斯奈因·海德尔（Muhammad Husnain Haider）|秦伟伟（Weiwei Qin）|张平（Ping Zhang）|高春明（Chunming Gao）|龚彦丽（Yanli Gong）

中国电子科技大学宜宾校区，中国宜宾644000

摘要

本研究全面回顾了作业车间调度问题（Job-Shop Scheduling Problems, JSPs），重点关注资源灵活性，包括机器和工人的灵活性。尽管资源灵活性增加了调度的复杂性，但它提高了生产系统的整体生产力和效率。我们重点研究了具有工人灵活性的作业车间调度问题（JSP），也称为双资源约束JSP（Dual-Resource Constrained JSP, DRCJSP）、具有机器灵活性的JSP（FJSP），以及同时具有机器和工人灵活性的JSP，即双资源约束FJSP（DRCFJSP）。文章还讨论了这些JSP变体的优势、局限性及新兴趋势。通过对2005年至2024年间约300篇研究论文的系统分析，强调了具有资源灵活性的JSP在解决方案技术、问题特定目标函数和优化方法方面的显著进展。此外，还涵盖了从传统精确方法到现代人工智能（AI）和机器学习（ML）技术整合的关键进展，包括启发式和元启发式方法、进化算法、混合方法以及AI/ML集成方法。同时，文章探讨了目标方面的新兴趋势，如能源意识、人体工程学意识和实时自适应调度。综述指出了未来的研究方向，特别是AI/ML集成方法、可持续性和人体工程学因素、人机协作以及资源灵活JSP的实时调度集成。总体而言，该综述突出了提升现代制造系统中调度效率、工人福利和生产力的进展。

引言

大规模定制的兴起对追求最大生产力和效率的制造和运营系统构成了重大挑战，在这种情况下，优化资源灵活性已成为关键目标。生产调度作为一种重要策略，用于有效管理这些系统，利用可用资源确保快速响应时间。JSP是最广泛应用的生产调度方法之一，其中作业操作遵循预定的处理流程，以通过最小化总完成时间（即制造周期）和其他定义的目标来实现最优解[1,2]。在现实世界的制造环境中，机器和工人在调度问题中都被赋予了灵活性，以提高生产力和效率[3]，尽管这种整合引入了复杂的双资源约束调度挑战。本综述确立了这一核心工业挑战以及JSP的相关性，从而证明了对其不同形式（工人灵活性DRCJSP、机器灵活性FJSP以及结合了工人和机器灵活性的DRCFJSP）进行重点研究的必要性。

由于JSP的重要性以及过去几十年发表的论文数量不断增加，许多综述都针对这一主题进行了总结，以梳理现有的模型和解决方法。本文讨论了过去十年发表的综述文章。Chaudhry和Khan[4]主要回顾了1990年至2015年间FJSP的发展历史和解决方案技术，涵盖了从精确方法到混合技术的各种技术。Zhang等人[5]专注于工业4.0背景下的智能分布式调度（SDS）建模和优化，分析了传统方法在SDS中的适用性，并探讨了未来的研究方向和新技术。Amjad等人[6]分析了遗传算法（GA）及其混合算法在FJSP中的应用，研究重点是出版前的20年。Xie等人[7]分析了FJSP的解决方案策略和发展趋势，包括精确算法、启发式算法和元启发式算法，并讨论了它们的实际应用和未来研究方向。Gao等人[8]研究了群体智能和进化算法在FJSP优化中的应用，分析了它们的建模方法、编码策略、搜索机制和未来研究方向。Meilanitasari等人[9]探讨了灵活制造系统的基于序列的调度预测和优化模型，主要目标是分析当前排序和调度算法的研究现状，并探索挑战和未来方向。Liaqait等人[10]研究了工业4.0环境中的集中式和分散式调度技术，并分析了各自的优缺点，还讨论了从传统调度到智能分散式调度的转变及其未来发展方向。Xiong等人[11]从实体、属性、假设、基本子类和性能指标等方面对JSP进行了分类和统计分析，涵盖了1960年代至2020年代的时期，并统计分析了2016年至2021年间发表的相关论文。Fernandes等人[12]回顾了2013年至2022年间发表的节能导向的作业车间调度方法研究，强调了元启发式算法在能耗、排放和成本控制中的作用。Para等人[13]也研究了JSP的能源最小化问题，重点关注制造业中的多目标优化和元启发式算法。Pei等人[14]回顾了FJSP的多目标函数构建方法和调度场景建模，分析了其与制造周期、延误、能耗和成本的相关性。Destouet等人[15]研究了工业5.0背景下的FJSP，强调了研究中的人为因素和可持续性。Dauzère-Pérès等人[16]对FJSP的调度标准、约束、系统配置和解决方法进行了分类，并讨论了复杂FJSP、多目标优化以及不确定和动态环境中的研究进展。Gui等人[17]研究了领域知识在JSP优化元启发式算法设计中的应用，探讨了领域知识、优化问题和优化算法之间的关系。Xin等人[18]分析了FJSP中涉及的假设、约束、目标函数和基准测试问题，并根据算法将其分为精确算法、启发式算法、元启发式算法和基于群体智能的算法。表1总结了这些综述文章。

基于过去十年的综述研究，学者们广泛探讨了FJSP[4],[5],[6],[7],[8],[11],[12],[14],[15],[16],[18]，重点关注能源消耗优化和可持续性[12,13,15]、目标函数[13,14]以及FJSP中的人类重新整合[15]。相比之下，这是首次在单一框架内系统地涵盖所有三种主要资源灵活变体（DRCJSP、FJSP和DRCFJSP）的综述。它详细讨论了研究人员用于资源灵活JSP的单目标和多目标优化问题的目标函数。研究了各种解决方案方法，从传统的精确解和启发式方法到现代的人工智能（AI）和机器学习（ML）驱动策略。此外，还讨论了可持续性考虑、人体工程学因素和实时调度等新兴趋势。特别是强调了最近的发展（尤其是2018年之后的发展），包括AI/ML集成、可持续性考虑、人体工程学和以人为中心的因素以及实时/IoT支持的调度——这些主题在大多数先前的综述中要么没有得到充分讨论，要么只是部分涉及。总体而言，本综述记录了资源灵活JSP的发展，展示了先进算法和以人为中心的方法如何实现更智能和更具适应性的调度。

本综述对该领域做出了几项重要贡献：

• (1)
  它全面综合了资源灵活的JSP，即DRCJSP、FJSP和DRCFJSP。基于对每个类别的广泛文献回顾，涵盖了问题的性质、目标函数以及单目标和多目标优化方法，分析了每种方法的有效性以及新兴趋势。
• (2)
  它详细分析了当前的研究趋势，特别是资源灵活性对调度效率和生产力影响的研究。讨论了现有方法的优点和局限性，并指出了应对现代生产挑战的潜在改进领域。
• (3)
  基于过去20年的最新研究，它概述了未来的研究方向。重点领域包括AI/ML集成方法、可持续性实践、人机协作（HRC）、物联网（IoT）用于实时调度，以及人体工程学因素的考虑。

文章的结构如下：在引言之后，第2节详细介绍了用于数据收集和分析的系统文献回顾方法。第3节提供了关于机器和工人灵活性的JSP分类以及详细的文献回顾。第4节讨论和分析了主要发现。第5节概述了未来的研究方向，第6节总结了文章。

章节片段

方法论框架和背景

本节概述了本综述的总体框架和研究方法。首先定义了JSP及其变体，重点关注工人灵活性、机器灵活性以及结合了工人和机器灵活性的情况。随后，提出了一个数学模型，以建立对调度复杂性的基础理解。最后，讨论了用于文献收集和分析的研究方法，包括文献筛选标准、分析方法等。

资源灵活的作业车间调度问题

本节回顾和分析了结合了资源灵活性的JSP。资源灵活性通过整合机器和工人的适应性来应对现代制造挑战。图4提供了考虑灵活资源的JSP分类示例。重点讨论了DRCJSP（工人灵活性）、FJSP（机器灵活性）和DRCFJSP（两者兼有），针对特定目标和算法提出了具体的解决方案。

总结与未来趋势洞察：DRCJSP、FJSP和DRCFJSP的比较分析

本节综合了本综述的发现，提供了资源灵活JSP变体的比较分析，并确定了未来的研究方向。其结构如下：首先，对DRCJSP、FJSP和DRCFJSP的目标和方法进行了总体分析。然后详细介绍了每种问题变体的具体优势、局限性和新兴趋势。最后，追溯了从传统方法到AI集成解决方案技术的演变过程。

关于未来研究方向的讨论

本节综合了本综述的关键发现，并提出了资源灵活JSP的未来研究方向。首先分析了五个相互关联的领域：(1) AI和ML在智能调度系统中的集成；(2) 能源意识和可持续调度；(3) 人类因素和人体工程学的结合；(4) HRC的模型；(5) 实时调度能力的发展。最后，总结了总体挑战和局限性。

结论

本节总结了综述的结论。它包括三个部分。首先，总结了关于资源灵活JSP的关键发现。接下来，讨论了本综述的局限性。最后，提出了未来的研究方向。

CRediT作者贡献声明

沙班·乌斯曼（Shaban Usman）：撰写——审阅与编辑、初稿撰写、可视化、验证、软件、资源、方法论、调查、形式分析、数据整理、概念化。叶天润（Tianrun Ye）：撰写——审阅与编辑、初稿撰写、验证、数据整理。法希姆·艾哈迈德（Faheem Ahmed）：撰写——审阅与编辑、验证、软件、数据整理。黄世泽（Shize Huang）：撰写——审阅与编辑、可视化、形式分析。穆罕默德·胡斯奈因·海德尔（Muhammad Husnain Haider）：撰写——审阅与编辑

利益冲突声明

我们声明与任何可能不当影响我们工作的个人或组织没有财务或个人关系。此外，没有任何职业或个人利益可能被解释为影响手稿中提出的观点。