《Advances in Industrial and Manufacturing Engineering》：Adaptive worker assignment for the flow shop scheduling with human diverse behaviors
编辑推荐：
在快时尚产业中，流水线调度（Flow Shop Scheduling）的关键挑战在于如何为Hanging Transportation (HT)系统下的多工序、劳动密集型生产线，高效分配具有技能异质性和动态可调度性的工人。本文提出一种自适应工人分配（aDaptive wOrker aSsignment, DOS）算法，结合工人熟练度（proficiency）和局部最优突破策略（Local Optimum Breaking Strategy, LOBS），将Flow Shop Worker Assignment Problem (FSWAP)建模为纯整数非线性规划问题。通过理论分析、仿真实验和真实工厂案例验证，本方法显著提升了完工时间、计算效率和求解稳定性，为服装制造等劳动密集型行业的智能制造优化提供了高效的调度解决方案。
在快时尚浪潮席卷全球的今天，消费者口味和潮流趋势的快速变化，对服装产业的生产周期提出了前所未有的挑战——必须更快、更灵活。传统上，工厂依靠流水线（Flow Shop）将布料依次经过裁剪、缝纫、熨烫等多道工序，最终变成成衣。然而，在劳动密集型行业（如服装制造）中，一个关键瓶颈往往不是机器，而是“人”。工人技能参差不齐，有人擅长缝纫但熨烫慢，有人则相反；同时，工人还可能临时请假、调岗，这种“动态可用性”让生产排班变得异常复杂。如何把有限的、技能各异的工人，合理地分配到各个生产工段，从而让整条生产线像精密的钟表一样高效运转，最小化一批订单的总完工时间，成为工厂管理者面临的现实难题。
这正是论文《Adaptive worker assignment for the flow shop scheduling with human diverse behaviors》所要攻克的核心问题。该研究聚焦于一种在服装厂中日益普及的Hanging Transportation (HT) 系统。如图1所示，这种系统通过主导轨、接收导轨和回收导轨，自动将衣物在工位间顺序传送，其运作类似于一个流水网络（Flow network）。在这个系统中，生产节奏不再由机器决定，而完全取决于工人的分配效率。研究团队将此正式定义为“流水线工人分配问题（Flow Shop Worker Assignment Problem, FSWAP）”，并提炼出四个核心需求：工人的技能异质性（R1）、动态可用性（R2）、算法计算效率（R3）和求解稳定性（R4）。
为应对这一复杂挑战，研究人员开展了一项系统性的优化研究。他们首先创新性地引入了“工人熟练度（worker proficiency）”这一量化指标，用来评估每位工人在不同工序上的擅长程度（0到1之间）。基于此，将FSWAP构建为一个纯整数非线性规划模型。接着，为了在满足高效率（R3）和高稳定性（R4）的前提下求解该模型，他们从藤壶交配优化器（Barnacle Mating Optimizer, BMO）中获得灵感，提出了一种全新的自适应工人分配（aDaptive wOrker aSsignment, DOS）算法。该算法的精妙之处在于，它集成了一个“局部最优突破策略（Local Optimum Breaking Strategy, LOBS）”，专门用于缓解进化算法常见的陷入局部最优解的问题，并且整个算法仅需三个超参数，大大增强了其稳定性和易用性。
通过严谨的理论分析，研究证明DOS算法的时间复杂度与待调度工人数量呈线性关系，具备了处理大规模问题的潜力。随后，大量的仿真实验和来自真实服装工厂的案例研究一致表明，无论是在最小化完工时间、缩短计算耗时，还是在保证解的质量稳定性方面，DOS算法都显著优于当前流行的多种调度方法。这项工作成功地将复杂的现实生产调度问题转化为可计算的模型，并提供了高效、稳定的解决方案，相关成果已发表在工业与制造工程领域期刊《Advances in Industrial and Manufacturing Engineering》上。
关键技术与方法
研究主要应用了以下关键技术方法：1. 问题建模与形式化：基于流水线（Flow Shop）和悬挂运输（Hanging Transportation, HT）系统，结合工人熟练度矩阵，将FSWAP构建为纯整数非线性规划（pure integer nonlinear programming）问题。2. 优化算法设计：受藤壶交配优化器（Barnacle Mating Optimizer, BMO）启发，设计了自适应工人分配（DOS）算法，其核心是引入了局部最优突破策略（LOBS）来避免早熟收敛。3. 性能评估体系：通过理论分析（计算时间复杂度）、大规模仿真实验（对比多种主流算法）和真实工厂案例研究（来自合作服装制造企业）三个层面，综合评估算法在完工时间、计算效率和解决方案稳定性（对超参数不敏感）方面的性能。
研究结果
1. 问题建模与复杂性分析
研究人员将HT系统下的流水线生产抽象为多阶段序列处理模型，如图2所示的装配线示意图。通过定义工人分配矩阵X和熟练度矩阵K，将每个工段j的加工时间表达为tj/uj（其中uj为该工段分配工人的总熟练度）。基于“流网络”思想，他们将整个生产过程划分为启动、主体和收尾三个阶段（如图3所示），并推导出总完工时间T的精确计算公式，从而将FSWAP转化为一个以最小化T为目标、带有约束的优化问题，并论证了其NP-hard的组合优化本质。
2. DOS算法设计与理论验证
为高效求解FSWAP，研究提出了DOS算法。该算法采用整数编码表示工人分配到工段的方案，其创新点在于LOBS策略。当算法检测到种群陷入停滞时，LOBS会随机扰动当前最优解的部分编码，从而跳出局部最优区域，增强全局搜索能力。理论分析证明，DOS算法在每次迭代中的主要操作时间复杂度为O(RN)，其中R为工人总数，N为工段数，表明其计算开销与问题规模呈线性增长，具备良好的可扩展性。
3. 仿真与案例验证
通过在不同规模（工人数、工段数、产品数）和不同工人熟练度分布场景下的广泛仿真，将DOS与遗传算法（GA）、粒子群优化（PSO）、模拟退火（SA）等流行算法进行对比。结果表明，DOS在绝大多数测试案例中都能找到完工时间更短的调度方案，且计算时间更少。特别地，DOS算法对自身超参数的变化不敏感，表现出优异的稳定性。最后，在一个真实服装工厂的案例应用中，DOS生成的工人分配方案，相比工厂原有经验调度，预估可将特定订单的完工时间缩短约15%，验证了其实际应用价值。
结论与意义
本研究针对劳动密集型流水线生产中，因工人技能异质和动态在岗导致的调度优化难题，提出了一个系统性的解决方案。主要贡献与结论如下：
首先，研究团队清晰界定并形式化了一个新的优化问题——流水线工人分配问题（FSWAP）。通过引入“工人熟练度”这一关键量化指标，成功将复杂的现实人工调度问题，转化为一个可建模、可计算的纯整数非线性规划问题，为后续的算法研究奠定了理论基础。
其次，为解决FSWAP，创新性地提出了自适应工人分配（DOS）算法。该算法巧妙地借鉴了自然界启发式优化思想，并专门设计了局部最优突破策略（LOBS）。这一设计使DOS不仅能有效搜索优质解，还能避免陷入局部最优，同时凭借极少的超参数设置，获得了出色的求解稳定性。理论分析证实了其计算效率，仿真与案例研究则全面验证了其性能优越性。
这项工作的意义深远。在实践层面，它为服装、纺织等劳动密集型制造业提供了一套高效、自动化的智能排班工具，能直接助力企业缩短生产周期、提升产能，响应快时尚市场的敏捷性需求。在学术层面，它将传统的、以机器为中心的流水线调度研究，拓展至“人”这一关键且复杂的因素，为“人机物”融合的智能制造调度理论增添了新的内容。所提出的DOS算法框架，对解决其他涉及人力资源分配、技能匹配的组合优化问题也具有重要的参考价值。总之，该研究是连接工业工程、运筹学和人工智能，解决实际工业痛点的一次成功范例。
