制药生产中的动态多资源柔性作业车间调度：一种基于MILP的决策支持工具

《Computers & Operations Research》：Dynamic and multi-resource flexible job shop scheduling in pharmaceutical manufacturing: A MILP-based decision support tool

在制药生产中，确保客户订单及时交付是核心目标，但同时面临着质量要求严苛、资源可用性有限、生产安排动态变化等复杂挑战。为解决这一问题，研究人员针对一个提供活性药物成分粒径减小服务的实际工厂，将其调度问题建模为一种多资源柔性作业车间调度问题(MR-Flexible Job Shop Scheduling Problem)，并开发了一个基于混合整数线性规划(Mixed-Integer Linear Programming, MILP) 的决策支持工具。该工具不仅能处理离线确定性场景，还能在订单动态到达的实时场景中有效运作，在保证低加权提前/拖期惩罚和减少资源占用方面表现优异，为在严格约束下的制药生产提供了具有高实践价值的调度解决方案。

　　

在关乎公众健康的制药行业，确保救命药物能够稳定、及时地供应是企业的生命线，也是社会的核心需求。然而，在现实的生产车间里，计划管理者们常常面临着一场复杂的“多线作战”：一方面，客户订单（在模型中体现为“作业”）有各自希望的交货期，延迟交货会产生合同罚款，而过早交付某些化学制剂不仅可能损害其物理性质，还会给公司或客户带来额外的仓储成本和计划风险。另一方面，生产车间本身就是一个高度受限的“资源战场”：处理各道工序的机器必须放置在能够严格控制温度、湿度、压力、空气洁净度等所有环境参数的“清洁室”中，并且机器和清洁室之间存在严格的兼容性约束；每项操作都需要特定数量、可互换的操作人员进行辅助；某些连续工序还必须无缝衔接（即满足“无等待”约束），以保护产品免受光或空气暴露，或避免不必要的控制成本。此外，生产是7x24小时不间断进行的，但部分作业只能在白班时段处理。如何在这重重限制下，为不断到达的客户订单制定出一个高效、可行的生产调度计划，确保按时交付并尽可能减少资源占用，成为制药工厂管理者亟需解决的现实难题。这不仅关系到企业的运营效率和客户满意度，更深层地影响着关键药品的生产和供应保障。针对这一挑战，来自意大利国际网络大学的研究团队Marta Flamini、Arianna Freda和Gaia Nicosia在期刊《Computers & Industrial Engineering》上发表了他们的最新研究成果。他们深入一个瑞士制药工厂的粒子尺寸减小服务生产现场，构建了一个名为MRFlex-JSPC（制药组件生产中的多资源柔性作业车间调度）的复杂模型，并开发了一套强大的混合整数线性规划(MILP) 决策支持工具，旨在为这类复杂的动态调度问题提供自动化、高质量的解决方案。

为了攻克这个复杂问题，研究人员运用了一系列关键的运筹学与计算技术。核心方法是建立一个严格的混合整数线性规划(Mixed-Integer Linear Programming, MILP) 数学模型，该模型精准地定义了作业(Job)、操作(Operation)、机器类型(Machine Type)、清洁室(Clean Room) 和操作员(Operator) 等实体，并形式化了它们之间的处理时间(Processing Time)、发布时间(Release Date)、交付期(Due Date)、机器-清洁室兼容性约束(Machine-Clean Room Compatibility)、无等待约束(No-Wait Constraints) 以及班次限制(Night Shift Restrictions) 等所有约束条件。该模型以最小化加权提前/拖期惩罚(Total Weighted Earliness and Tardiness) 为首要目标，并以最小化主动前置时间(Active Lead Time) 为次要目标。研究团队基于一个真实的瑞士制药工厂案例，构建了反映实际生产复杂性的问题实例。更重要的是，他们设计了两种应用模式：离线(Offline)模式用于在已知所有订单时生成全局优化调度，评估方法在求解规模、计算时间和解质量方面的可处理性；动态(Dynamic)模式则将MILP模型集成到一个实时决策支持系统中，该系统能够在新的订单到达时，基于当前系统状态（资源占用、现有调度）快速重新计算，辅助计划员决定是否接受新订单、如何更新短期计划，甚至可以将其视为离线问题的一个高效启发式算法。

模型构建与问题定义。研究首先对复杂的现实生产环境进行了精确的数学抽象。他们将整个问题定义为MRFlex-JSPC，其核心要素包括：代表客户订单的n个作业(J={J₁, J₂, ..., J_n})，每个作业由一系列有序的操作(O(j)=〈o₁^j, o₂^j, ..., o_{n_j}^j〉) 构成。系统拥有μ种机器类型(MT={M₁, M₂, ..., M_μ}) 及其多个副本，ρ个不同的清洁室(R={R₁, R₂, ..., R_ρ})，以及p名可互换的操作员(Ω={Ω₁, Ω₂, ..., Ω_p})。每个操作有特定的处理时间p_ij，必须在一种兼容的机器类型上执行，并需要ω_i^j名操作员全程协助。每个作业有一个最早可开始时间发布日期(r_j) 和理想的交付期(d_j)。作业必须在与其所需机器类型兼容的单一清洁室内连续完成全部操作。此外，模型中还包含了作业内部的无等待约束对(NW(J_j)) 以及禁止在夜班进行的作业集合D。该研究的主要目标是最小化总加权提前/拖期惩罚(min Σ_j=1ⁿα_jE_j+ β_jT_j)，其中E_j= max{0, d_j- C_j}和T_j= max{0, C_j- d_j}分别为作业J_j的提前和拖期量，α_j和β_j为其对应惩罚权重。作为次要目标，研究还追求最小化总主动前置时间(min Σ_j=1ⁿLT_j)，即作业在清洁室内从开始到结束的实际占用时间（C_j- s_j），以减少资源拥堵。

MILP模型设计。为了求解上述NP-Hard难题，研究者提出了一个精巧的MILP模型。模型使用了多类决策变量：包括作业-清洁室分配变量(z_jr)、操作-机器分配变量(y_ijm)、操作-操作员分配变量(ξ_ijω) 以及针对特殊作业的操作-白班分配变量(δ_ijk)。为了处理资源上的顺序冲突，模型引入了作业在清洁室上的前序变量(θ_jj'r) 和操作在机器上的前序变量(φ_ij,i'j')。连续变量t_ijm 表示操作的开始时间。通过一系列线性约束，模型确保了所有现实约束都被满足，例如：每个作业被分配到唯一兼容的清洁室；每个操作被分配到一台兼容的机器；操作员在任意时刻只能辅助一个操作；满足无等待约束的连续操作必须紧接着执行；禁止夜班处理的作业其所有操作必须安排在日班时段内；以及作业内部操作顺序、机器和操作员的能力约束等。这个模型构成了整个决策支持系统的核心引擎。

计算实验与性能评估。研究进行了一系列广泛的数值实验，以验证所提方法的有效性和局限性。实验基于真实的制药生产数据，并生成了不同规划周期和系统负载的扩展测试实例。结果表明，在离线场景下，所提出的MILP模型能够在合理时间内为中小规模实例找到高质量的解，证明了其作为精确求解方法的可行性。然而，对于大规模实例，直接求解完整的离线MILP模型会面临计算时间的挑战。在动态场景测试中，研究展示了所开发的决策支持工具的卓越性能。该工具能够实时响应新订单的到达，快速更新调度，在保持低加权提前/拖期惩罚的同时，显著减少了资源占用时间。一个关键发现是，动态版本的决策支持工具可以被解释为离线问题的一个高效启发式算法，它能够以远低于求解完整离线MILP模型的计算代价，获得质量优良的调度方案。这为解决大规模实际问题提供了一条可行的技术路径。

结论与讨论。这项研究针对制药生产中的复杂调度需求，做出了重要的理论贡献与实践创新。首先，研究者将一个高度复杂的现实世界问题建模为包含多资源、柔性机器、清洁室兼容性、无等待约束和班次限制的多资源柔性作业车间调度问题(MR-Flexible Job Shop Scheduling Problem)，并给出了其严谨的MILP公式。其次，他们设计并实现了一个决策支持系统，该系统不仅能生成包含操作精确时间、操作员任务分配和清洁室内机器配置的完整生产调度，更重要的是，它具备离线和动态双重操作能力。离线模式支持中期生产规划和战略分析（如评估资源扩展的影响），而动态模式则为公司提供了应对订单不确定性、进行实时决策和客户交期谈判的强有力工具。最后，大量的计算实验证实了该方法的有效性，特别是在动态环境下，该系统能够提供及时、高质量的调度方案，并揭示出将动态方法作为离线问题启发式算法的潜力。这项工作超越了先前的建模努力，为制药生产在多个决策层面提供了一个实用且灵活的调度框架。它不仅为解决特定制药厂的调度难题提供了直接方案，其建模思路和方法论（如处理多资源、动态环境、复杂约束的MILP框架）也对其他具有类似复杂性和资源约束特征的制造业（如特种化学品、生物制剂、精密电子等）的生产调度具有重要的借鉴意义，推动了运筹学在流程工业中，特别是高合规性要求行业中的应用深度与广度。