第一篇：生產(chǎn)計劃調度的靈魂：約束規(guī)則

生産計劃調度的靈魂：約束規(guī)則

現(xiàn)在，約束計劃的開發(fā)已經(jīng)吸引各個領域的專家的高度注意，因爲，它是有潛力解決現(xiàn)實中的非常難的問題。不僅基於很強的理論基礎，而且，也廣泛吸引商業(yè)利益。特別是在對變異的建模優(yōu)化與滿意問題。無論我們是用先進的基因演算法，還是用人機互動式的仿真方法，都需要對制造業(yè)的復雜約束，多目標優(yōu)化，大規(guī)模的搜索和車間生産的不確定性的問題進一步研究，以適用實際需要。

在人類努力的大多領域，約束在不斷的增加。它們在物理世界形成互相依賴。約束是在一些未知或變化 的簡單的邏輯關系，在給定的領域，每一個約束取一值。約束就限制了變化所帶來的可能的值，它反映部分資訊，約束也可以是不協(xié)調的，它可以在不同領域 互相約束。實際上，我們都用約束來指導推理和決策，是每天的常見行動的重要的一部分。如，我可以從5點到6點在那。這就是典型的約束，我們用它計劃我們的時間。自然，我們不能僅僅解決一個約束，因爲約束很少是獨立的。，所以，我們不得不接受的現(xiàn)實是這些問題比較復雜。

約束計劃是基於約束規(guī)則的電腦系統(tǒng)的程式，約束計劃的概念是詳述問題的約束來解決問題。結果是找到讓所有的約束滿意的方案。計劃調度的實施的關鍵是基於約束規(guī)則，基於約束自動的調配資源，優(yōu)化計劃，來達到你所需要的計劃目標。對離散的制造行業(yè)解決復雜的加工過程如多工序，多資源等（Jobshop調度），對重復式或流程式的制造行業(yè)解決順序問題如優(yōu)化排序等（Flowshop調度）。

如你的主要目標是一個滿足所有任務規(guī)定的完成日期嗎？ 還是你重點是提高設備利用率，減少非生産時間（準備時間和設備維護時間）？ 確定基本計劃的目標是選擇合適的規(guī)則的先決條件。一旦決定你的目標，你就可以選擇規(guī)則來完成目標。

一、基於訂單（Job-based）排程方法

工作中心WC A 有兩個資源 工作中心WC B 有一個資源

訂單MO-1 最高優(yōu)先順序。

訂單MO-2 次優(yōu)先順序

是基於訂單的優(yōu)先順序決定下一個訂單的加工，可以自動識別訂單的優(yōu)先順序和手工定義優(yōu)先順序，在電腦自動的根據(jù)規(guī)則的優(yōu)選級排出生産計劃後，還可以手工介入，修改優(yōu)先順序進行重排。以滿足復雜的現(xiàn)實的需要。

約束規(guī)則如下：

（1）瓶頸：基於次要任務選擇規(guī)則的排列。向前和向後方法來計劃所有未分配的任務訂單。重點是瓶頸資源的工序的。雙向模式只計劃需要指明瓶頸資源的任務。能用任何可得到的規(guī)則計劃剩馀任務。

（2）完成日期：基於最早完成日期。

（3）先到先服務：按照先到訂單，先安排生産。

（4）升冪訂單屬性值：按規(guī)定的訂單升冪的值排列。訂單的屬性可以是數(shù)值，字母。

（5）優(yōu)先順序：按照最小數(shù)值優(yōu)先。如果你用此規(guī)則，優(yōu)先順序欄位必須在訂單上定義。

（6）加工時間：按照訂單最小的加工時間優(yōu)先。

（7）下達日期：按照最早開始日期優(yōu)先。

Page 1 of 8

（8）相反優(yōu)先順序：按照最大數(shù)值優(yōu)先。如果你用此規(guī)則，優(yōu)先順序欄位必須在訂單上定義。

（9）閑散時間：按照最小閑散時間優(yōu)先。

二、基於事件（Event-based）的排程方法

是基於高利用率的方法。實現(xiàn)其計劃的關鍵是二步導向的規(guī)則使用。有二個基本的規(guī)則：（1）工序選擇規(guī)則OSR；（2）資源選擇規(guī)則RSR。

針對不同産品和資源，必須選擇不同的規(guī)則，在決定是使用工序選擇規(guī)則或資源選擇規(guī)則時，主要考慮的是什麼是一個好的計劃標準？一旦確定你的目標，你就可以選擇工序和資源選擇規(guī)則來完成目標。一般來說，先選擇工序選擇規(guī)則，然後選擇合適的資源選擇規(guī)則。在一些情況下，有關的資源選擇規(guī)則被工序選擇規(guī)則所決定。

工序選擇規(guī)則OSR（Operation Selection Rule）

至少一個資源是空閑的，二個或多個工序能用於這個資源，采用OSR。此規(guī)則決定那一個工序被載入。這就是決定計劃結果質量好壞的關鍵因素。獨立的工序選擇規(guī)則詳細介紹如下：

（1）最早完成日期：選擇最早完成的工序（也許是訂單完成日期）

（2）最高優(yōu)先順序第一：選擇最高優(yōu)先順序（最低值）的工序

（3）最低優(yōu)先順序第一： 選擇最低優(yōu)先順序（最高值）的工序

（4）最高訂單屬性欄位：選擇最高（最大）訂單屬性欄位的工序

（5）最低訂單屬性欄位： 選擇最低（最小）訂單屬性欄位的工序

（6）動態(tài)最高訂單屬性欄位：選擇動態(tài)最高（最大）訂單屬性欄位的工序

（7）動態(tài)最低訂單屬性欄位： 選擇動態(tài)最低（最小）訂單屬性欄位的工序

（8）計劃檔案訂單：選擇訂單 出現(xiàn)先到先服務的工序

（9）關鍵率：選擇最小關鍵率的工序。

關鍵率=剩馀計劃工作時間/（完成日期-當前時間）

（10）實際關鍵率：選擇最小實際關鍵率的工序

實際關鍵率=剩馀實際工作時間/（完成日期-當前時間

（11）最少剩馀工序（靜態(tài)）：選擇最少剩馀工序時間的工序

（12）最長等待時間：選擇最長等待時間的工序

（13）最短等待時間： 選擇最短等待時間的工序

（14）最大過程時間：選擇最大過程時間的工序

（15）最小過程時間： 選擇最小過程時間的工序

（16）最小工序閑散時間：選擇最小工序閑散時間的工序。

訂單任務的閑散時間=任務剩馀完成時間-剩馀工作時間

工序閑散時間=任務閑散時間/完成任務的剩馀工序數(shù)

（17）最小訂單閑散時間：選擇最小訂單任務的閑散時間的工序

（18）最小工作剩馀：選擇所有需要完成訂單的最小剩馀過程時間的工序。

資源選擇規(guī)則（RSR）Resource Selection Rule

RSR選擇工序載入到資源組內的哪一資源。

（1）最早結束時間：選擇將要最先完成工序的資源

（2）最早開始時間： 選擇將要最先開始工序的資源

（3）最遲結束時間： 選擇將要最遲完成工序的資源

Page 2 of 8

（4）與前工序一樣： 選擇被用於前一工序的資源

（5）非瓶頸最早開始時間：選擇將要最早開始工序的非瓶頸資源

相關選擇規(guī)則：

如果選擇一工序選擇規(guī)則，就自動的選擇相應的資源選擇規(guī)則。

（1）系列順序回圈：選擇同樣或下一個最高（最低）系列值的工序。當沒有最高值的工序，順序將相反，選擇最低的工序。

（2）系列降順序：選擇同樣或下一個最低系列值的工序

（3）系列升順序： 選擇同樣或下一個最高系列值的工序

（4）最小準備系列： 選擇最小準備時間及最近的系列值的工序。

（5）最小準備時間： 選擇最小準備或換裝時間的工序

（6）定時區(qū)的系列順序回圈：選擇同樣或下一個最高（最低）系列值工序。且只考慮在特定的時區(qū) 的訂單完成日期 的工序。當沒有最高值的 工序，順序將相反，選擇最低的工序。

（7）定時區(qū)的系列降順序：選擇同樣或下一個最低系列值工序。且只考慮在特定的時區(qū) 的訂單完成日期 的工序。

（8）定時區(qū)的系列升順序： 選擇同樣或下一個最高系列值工序。且只考慮在特定的時區(qū) 的訂單完成日期 的工序。

（9）定時區(qū)的最小準備系列： 選擇最小準備時間及最近的系列值的工序。且只考慮在特定的時區(qū) 的訂單完成日期 的工序。

（10）定時區(qū)的最小準備時間： 選擇最小準備或換裝時間的工序，且只考慮在特定的時區(qū) 的訂單完成日期 的工序。

工序選擇規(guī)則的分析

標準的工序選擇規(guī)則有二十多個標準規(guī)則。不同的規(guī)則對應不同的目標。這些規(guī)則可以進一步分成靜態(tài)與動態(tài)的規(guī)則。

靜態(tài)規(guī)則：爲所有在排隊中的訂單，所有等待的工序提供一簡單的索引機制。這些規(guī)則在每一次預先類比時間時不需要再次評估。用於工序選擇規(guī)則的叁數(shù)是固定的。例如規(guī)則是最早完成日期規(guī)則，完成日期在順序排程中從未改變。在排隊中的第一個工序被分配到一等待資源。因爲規(guī)則總是選擇第一個等待工序，此規(guī)則執(zhí)行的非常快。

動態(tài)規(guī)則：每一個在排隊的工序被每一次調用的規(guī)則檢查。因此，我們是基於當前的訂單任務和系統(tǒng)的狀態(tài)決定我們的選擇。這個機制充分考慮了任何改變出現(xiàn)的時間和事件的結果。例如，最小工序空閑規(guī)則，因爲工序的空閑值隨時在改變。因爲動態(tài)選擇規(guī)則需要在每一次事先類比以後檢查在排隊中的每一個工序，它比靜態(tài)規(guī)則要慢一些。

爲有助於分析規(guī)則，我們對規(guī)則進行分類。分成四個主要類別來對應四個不同的計劃目標。它們是

1、預先確定任務的叁數(shù)。

2、最小化任務緩慢。

3、最小化任務流程時間。

4、最大化設備利用率。我們將討論每一個核心目標和相應的工序及資源規(guī)則以支援這些目標。規(guī)則的分類目的是幫助你爲達到你的核心目標而縮小你的規(guī)則的選擇。對某一類的規(guī)則選擇是基於你的計劃問題。每一個類別的規(guī)則都混合一些靜態(tài)和動態(tài)的規(guī)則。

預先確定訂單任務的叁數(shù)：是基於預先定義訂單任務的優(yōu)先順序來選擇下一個工序或用戶規(guī)定的屬性欄位（如成本）。一般來說，每一個規(guī)則由特性的最高，最低的值被調用。這類包括最高優(yōu)

Page 3 of 8 先順序，最低優(yōu)先順序，最高訂單特性欄位，最低訂單特性欄位，動態(tài)最高訂單特性欄位，動態(tài)最低訂單特性欄位，計劃檔案訂單，最長等待時間，最短等待時間，和最大過程時間。

最高優(yōu)先順序和最低優(yōu)先順序是分別用最高或最低優(yōu)先順序選擇工序的靜態(tài)規(guī)則。

最高訂單特性欄位，最低訂單特性欄位是和優(yōu)先順序規(guī)則相似的靜態(tài)規(guī)則，除了基於用戶定義屬性的選擇。例如。最高訂單特性欄位規(guī)則用一個屬性欄位定義，如由成本的最高值來選擇任務。因爲這是一個靜態(tài)規(guī)則，它假設當訂單任務正在等待處理時成本是不變的。

動態(tài)最高訂單特性欄位，動態(tài)最低訂單特性欄位規(guī)則是動態(tài)的。雖然這些規(guī)則執(zhí)行較慢，它們也適應當訂單任務正在等待時屬性欄位可以改變的情況。

計劃檔案訂單規(guī)則是一靜態(tài)規(guī)則，是基於已進入資料庫的訂單來選擇訂單。這個規(guī)則和先到先服務規(guī)則相似。

最長等待時間，最短等待時間規(guī)則是一動態(tài)規(guī)則，它是基於訂單任務被等待計劃的時間來選擇工序。

最大過程時間規(guī)則是用最大過程時間來選擇工序。預先確定任務的叁數(shù)規(guī)則一般用於訂單任務的特性的情況。（如優(yōu)先順序或成本），不考慮任務完成日期或設備利用率。因爲這些規(guī)則忽略完成日期，它們典型更適應面向庫存生産（MTS）環(huán)境，而不是面向訂單生産環(huán)境（MTO）。

最小化任務延緩：在許多面向訂單生産環(huán)境（MTO），計劃目標是保證每一個訂單任務按期完成。最小化任務延緩的規(guī)則是建立一最小化延緩任務的計劃。這類規(guī)則包括最早完成日期，最小化運行閑散時間，最小化訂單閑散時間，關鍵率，和實際關鍵率。這些規(guī)則的最簡單的是最早完成日期。這是一靜態(tài)規(guī)則。雖然這個規(guī)則執(zhí)行的非常快。這一類所有的規(guī)則是基於空閑時間計算的動態(tài)規(guī)則。空閑時間是完成日期和最早完成時間的差異。

最小訂單閑散時間規(guī)則選擇一個父項任務的工序，父項任務有最小的閑散時間。如它沒被選擇，這個訂單任務大多可能是延遲的。

最小運行閑散時間規(guī)則是基於每一個工序的平均閑散時間（訂單任務計算的閑散時間/剩馀工序數(shù)量）而不是任務的剩馀閑散時間。這個基於閑散時間的規(guī)則形成的基本想法是每一個剩馀工序有一固有的風險，根據(jù)它延遲的可能性，每一個工序的最小閑散時間的訂單任務是最關鍵的。因此，如果我們在同樣的閑散時間中選擇訂單任務，我們會選擇最大剩馀工序數(shù)量的訂單任務，因次，根據(jù)每個工序最小閑散時間的規(guī)則來選擇處理風險最大的訂單任務。

基於閑散時間規(guī)則的最後的差異是關鍵率。這個規(guī)則選擇父項任務有最大關鍵率的工序。關鍵率是剩馀工作時間/（剩馀工作時間+閑散時間）。注意只要閑散時間是正的數(shù)，分母大於它，關鍵率就小於1。就此，任務還沒有延遲。如果關鍵率大於1，閑散時間是負數(shù)，任務就不能按期完成。關鍵率規(guī)則與最小工序閑散時間規(guī)則相似。相同的是，它們都是用閑散時間來計算的。不同的是它的剩馀工作已完成。它的基本的前提是剩馀閑散時間本身在決定最關鍵訂單任務時并不重要，即相關的剩馀工作已完成。如我們有許多剩馀工作，那麼，我們需要較大的閑散時間來保證我們的訂單任務不能延遲。

最小化任務過程時間：在一些環(huán)境，關鍵問題是計劃設備的效率來最小化訂單任務的平均時間。在最小化任務過程時間規(guī)則 忽略任務完成日期而集中於減少訂單任務的時間。這類規(guī)則包括最小化流程時間，最少剩馀工序，最小工作剩馀。這類規(guī)則是基於過程時間最短的概念，減少所有訂單任務的平均任務過程時間。

Page 4 of 8

案例一：

有二個訂單任務A，B。在單一的機器上加工處理。讓我們假設任務A需要4小時，B需要量10小時。如我們加工A，B，任務A立即開始及4小時完成，産生4小時的過程時間。任務B開始等待4小時，加工10小時産生14小時。兩個訂單一共用了18小時，所以平均過程時間是9小時。

如我們把加工順序倒過來，B的過程時間是10，和A的過程時間是14。兩個訂單一共用了24小時，所以平均過程時間是12小時。

雖然，這是一個非常簡單的例子。如果有許多機器和許多不同的訂單任務的應用就較復雜。不管怎樣，這類規(guī)則都是用同樣的概念-最短處理任務的時間，僅僅不同的它是怎樣決定最短任務。最小化處理時間規(guī)則是靜態(tài)規(guī)則，用最短工序時間選擇工序。最小化工作剩馀規(guī)則是動態(tài)規(guī)則，它是基於父項任務的最小剩馀工作選擇工序。剩馀工作是對所有任務的剩馀工序的合計時間。最小化過程時間規(guī)則檢查單一工序的加工時間，而最小化工作剩馀規(guī)則檢查所有的剩馀工序的加工時間。最少剩馀工序規(guī)則和最小剩馀工作規(guī)則相似，除了這個規(guī)則是基於剩馀工序數(shù)量而不是過程時間的合計。

最大設備能力：在一些面向庫存生産的環(huán)境（MTS）中，關鍵的問題是設備效率。即最大化整個設備的生産能力。在最大化設備能力規(guī)則 忽略任務的完成日期而集中於設備的能力效率來産生計劃。這類規(guī)則包括最小準備時間，系列順序升UP，系列順序降DOWN，系列順序周期，和用系列的最少準備。另外，每一規(guī)則都與時間相連。所有這類規(guī)則都集中于減少轉變成本，最大化的設備能力。這個轉變成本能在一順序相關的準備時間中設置。我們正努力消除設備的任何沒有必要的非生産時間。

如果我們爲整個工序的排序，在連續(xù)的工序之間，要考慮順序相關的準備時間及轉變成本，此時，我們就能用系列規(guī)則。

案例二：

在混合油漆中，我們在定義好的順序中一般要逐漸從淡色移動到深色。如從深色移動到淡色時，就有整個清洗混合的油箱的準備時間即轉變成本。在一些情況下，我們有事先規(guī)定好的順序。例如，我們也許要處理顔色順序A，B，C，D，E的訂單，這就稱爲系列順序。如果我們剛要加工顔色A，我們會首先尋找有顔色A的其他訂單。如沒有，我們會尋找顔色B的訂單，依此順序，等等。系列規(guī)則提供這個能力。這些規(guī)則允許我們規(guī)定一個系列值。（如油漆顔色，溫度，等等）。每一個訂單/工序及動態(tài)建立系列，或自動的增加，減少，或使系列值上下回圈。

在增加系列的情況下，系列升順序規(guī)則選擇一系列值并大於或等於被選擇工序的系列值的工序。如，如果我們建立一零件尺寸的增加系列值，規(guī)則選擇同樣或下一個最大尺寸的工序。如等待工序沒有同樣或大的值，規(guī)則就開始一個新的系列順序。

系列降順序規(guī)則也是類似的。

案例三：

生産化工纖維材料時，根據(jù)産品的型號和厚度對品種進行分類，對品種的最優(yōu)排産。

Page 5 of 8

如取最小值= { 3m/1。4m，6m/1。4m，┅。}來決定在哪個訂單的加工順序及哪個資源最經(jīng)濟。

系列順序回圈規(guī)則在增加順序和減少順序前後交替。如系列增加，它將繼續(xù)增加，直到?jīng)]有一樣或較大的系列值訂單剩馀的訂單。當這種情況出現(xiàn)，規(guī)則會轉爲減少系列值并開始選擇有一樣或較小系列值的訂單。當所有這樣的訂單耗盡，它就回到增加系列的策略。這個規(guī)則以此方式繼續(xù)，在增加和減少系列值之間重復回圈。

案例四：

在熱處理時，溫度是間隔的增加到最高，然後降低。

最小準備系列規(guī)則結合最小準備時間規(guī)則和系列順序回圈規(guī)則。最小準備時間和最靠近的系列值的工序被選擇。

定時的規(guī)則僅僅考慮任務完成日期正好落入規(guī)定的時區(qū)的工序。時區(qū)必須定義在資料庫。如，你要跟蹤顔色的系列，但是，你僅想考慮在下一周的完成的訂單任務。這個規(guī)則既要最小化顔色的改變。又要不能延遲訂單任務。

資源選擇規(guī)則分析

雖然工序選擇規(guī)則在決定生産計劃方面起著重要作用。資源選擇規(guī)則在加工處理中也能起重要作用。尤其在最小準備時間和系列工序選擇規(guī)則上，資源選擇規(guī)則是由工序選擇規(guī)則自動決定的。（如選擇最小準備時間工序規(guī)則，最小準備時間資源選擇規(guī)則被自動選擇）。然而，在選擇所有的剩馀工序選擇規(guī)則時，你必須在資源選擇規(guī)則中選擇其一。

最早結束時間是缺省的資源選擇規(guī)則。它選擇將完成的第一個的工序。基本策略是盡快完成工序。因此，此規(guī)則與工序選擇規(guī)則的最小化過程時間相似。

最早開始時間規(guī)則選擇將開始第一個工序的資源。這些規(guī)則集中減少資源閑散時間。

最遲結束時間規(guī)則選擇將選擇最後完成工序的資源。如果資源不包括在有效資源組，缺省最早結束時間規(guī)則。

非瓶頸的最早結束時間規(guī)則將首先完成工序的非瓶頸資源。非瓶頸最早開始時間規(guī)則將首先開始工序的非瓶頸資源。

三、基於物料約束（Material Constrain）

當生産計劃想要計劃一個需要某物料的工序時，它將僅僅計劃庫存水平足以滿足當時或以後的工序。如果在計劃時區(qū)不能滿足條件，物料約束計劃將首先查看是否有未分配的定單，産生庫存需求。如果它找到這樣的定單，它將首先計劃定單，然後計劃工序的庫存需要。如定單産生庫存需求另外的未有的庫存，物料約束計劃將象以前一樣尋找定單來計劃。這個過程將重復許多次。如果有不夠，就需要庫存補充。

靜態(tài)物料約束規(guī)則（SMC）

Page 6 of 8

先對每一個物料從ERP系統(tǒng)導入建立可用量清單，最早開始的訂單和被分配的物料，隨著物料業(yè)務，訂單日期的延遲，或變化，系統(tǒng)會自動調整或顯示訂單的變化。

MO-3只有在MO-1，MO-2，PO-1完成後，才能開工。

因爲MO-1的延遲，自動調整MO-3的開工日期

動態(tài)物料約束規(guī)則（DMC）

當計劃建立時，動態(tài)分配物料，允許重新分配物料到另外的一個訂單，它可以處理物料的有效期，變化的產(chǎn)出率，和減少在制品等實際問題。

MO-3 只有在MO-1，MO-2，PO-1完成後，才能開工。

而MO-1延遲，導致調整MO-3只能用MO-2-1，PO-1，MO-1的物料，而原來的MO-2-2的物料可以重新分配到MO-2，PO-1的完成後就可以開工。

從庫存取出約束（Take from stock kit）

定義在一工序需要的子項。在我們做計劃時，考慮子項物料從庫存的可用量的約束來排計劃。

放入庫存約束（Put to stock kit）

定義從工序的父項産出結果。在我們做計劃時，考慮産出的約束，必須考慮庫位所能容納的約束。

生産計劃根據(jù)産品結構的相關性來分配物料的約束，查詢約束可以按物料編碼報告物料約束。也可以按訂單號報告物料約束。工具約束：工具子項反映關鍵工具作爲資源，也可以作爲約束物料，如你可以定義工具産生約束，如工具維修，故障。

總之，制造業(yè)對客戶需求的回應越來越強烈。現(xiàn)在生産計劃調度系統(tǒng)正開始將基於約束規(guī)則基因搜尋和類比仿真模式結合起來，解決制造同步化問題和工廠的順序沖突問題。

現(xiàn)在，約束計劃已經(jīng)成功應用到許多不同問題領域。它和分析DNA結構一樣多樣化。對醫(yī)院的時間表和工業(yè)的排程。實踐證明它能較好適應解決現(xiàn)實的問題。因爲，許多應用領域自然的需要約束。分派問題也許是第一個工業(yè)應用約束解決工具。用甘特圖來描述計劃可能是最成功的應用領域如有限約束排程。

在現(xiàn)實中，約束計劃可以廣泛的運用，但是當前的工具也有可能沒有涉及到的領域或局限和缺點。無論是從理論上，還是實際的觀點來看，約束的定義促使問題可追蹤是非常重要的，約束計劃的有效性仍然是不可預測的：何時，如何使用約束。通常直覺是決策的最重要的部分。有時，盲目的快速搜尋如按時間順序後排比約束進化（基因演算法）更有效。在許多約束模型 的特別問題是成本優(yōu)化。有時，它是對改善起初的方案是非常困難的。且一個小的改善就會花去很多時間。

約束計劃也在不斷的進化，它們能動態(tài)的增加約束。大部分情況下，約束系統(tǒng)産生的計劃是可執(zhí)行的。除了機器故障，延遲的計劃，在最壞的情況下，新訂單的接受。這是需要快速的重排計劃

Page 7 of 8 或提高當前的方案來解決未預料的事件。同時，在通常較緊計劃優(yōu)化的方案和可以解決較少差異的，穩(wěn)定的，次優(yōu)化的方案之間交替選擇。

當前的約束滿意系統(tǒng)的缺點標志著未來研究發(fā)展方向，在它們之間，建模看上去是最重要的之一。已經(jīng)開始討論使用全局約束，把主要的約束預先設置到套裝軟體。（如所有不同的約束規(guī)則）。目前，建模語言較多的使用ILOG公司的（ILOG Solver）來表示約束問題。（如名列前矛的商業(yè)管理軟體供應商均采用此技術）

從較低層次的觀點，視覺化的技術越來越流行，他們幫助定義系統(tǒng)的瓶頸。各種約束解決方法的交互研究是最具挑戰(zhàn)的問題之一。混合演算法結合各種約束技術是這個研究的結果。另外感興趣的研究領域是解決協(xié)同和對應的結合的理論。約束滿意技術和傳統(tǒng)的OR（Operation Research）方法如整數(shù)規(guī)劃是另外的挑戰(zhàn)。研究平行和并行的約束已作爲提高效率的方法，在這些系統(tǒng)，多層代理技術是最有前景。

Page 8 of 8

第二篇：生產(chǎn)計劃調度

目前大多數(shù)仿真是以靜態(tài)方式運行的：仿真系統(tǒng)僅以啟動時確定下來的靜態(tài)數(shù)據(jù)集作為輸入，仿真運行過程中不能動態(tài)地向系統(tǒng)注入數(shù)據(jù)。如果有新數(shù)據(jù)到來，必須重新運行仿真系統(tǒng)。這就限制了應用仿真系統(tǒng)的分析和預測能力。而許多領域已形成了對動態(tài)應用仿真系統(tǒng)的需求，在此背景下，美國國家自然科學基金會（The National ScienceFoundation，NSF）提出了動態(tài)數(shù)據(jù)驅動應用系統(tǒng)（DynamicData Driven Application Systems，DDDAS）的概念和研究方向，試圖將仿真與實驗有機地結合起來，構成一種仿真與實驗融合為一體的自然和諧的共生動態(tài)反饋系統(tǒng)。

各單元模塊的功能如下

1．控制單元：控制仿真模型運行，抽取模型的狀態(tài)特征數(shù)據(jù)與注入數(shù)據(jù)對比分析，據(jù)此調整模型和分辨率；控制實際生產(chǎn)線運行，根據(jù)仿真結果數(shù)據(jù)反饋生產(chǎn)線調度優(yōu)化方案；控制數(shù)據(jù)采集，根據(jù)仿真結果數(shù)據(jù)產(chǎn)生數(shù)據(jù)采集策略，反饋數(shù)據(jù)采集模塊執(zhí)行。

2．仿真模型單元：根據(jù)控制系統(tǒng)指令，產(chǎn)生新的仿真目標策略。據(jù)此，從模型庫調用相應模型進行新模型的構建，并動態(tài)調整模型或模型參數(shù)，達到仿真結果與仿真目標逼近。最后，將模型與仿真結果進行分析評價，并形成知識保存在知識庫中，為完善模型庫構建和模型選擇提供依據(jù)。

3．人機接口單元：顯示仿真結果，支持用戶對仿真策略進行調整和控制，支持用戶根據(jù)仿真結果對生產(chǎn)線運行進行控制，支持用戶根據(jù)仿真結果對數(shù)據(jù)采集策略進行選擇控制。

4．數(shù)據(jù)采集單元：根據(jù)控制系統(tǒng)指令，生成新的數(shù)據(jù)采集策略。據(jù)此，采集生產(chǎn)線上的數(shù)據(jù)，并且具備多信息源數(shù)據(jù)融合能力。

(一)動態(tài)數(shù)據(jù)驅動仿真單元

此單元由調度模塊和仿真模塊組成，完成調度方案的生成功能。

其中，調度模塊包括相互協(xié)同的兩個層次：上層模塊是生產(chǎn)計劃調度器，采用全局優(yōu)化的方法，利用群體智能蟻群算法進行尋優(yōu)，可產(chǎn)生一個靜態(tài)的調度計劃，其尋優(yōu)時間長的問題可以通過多Agent建模的分布式計算能力得到解決。下層模塊是實時調度模塊，采用啟發(fā)式的規(guī)則對生成的調度計劃進行調整，并通過仿真進行分析和驗證。當不確定事件發(fā)生，生產(chǎn)線上的環(huán)境變量發(fā)生改變時，該模塊負責調整調度計劃適應新的系統(tǒng)狀態(tài)。如果在多個調度目標無法優(yōu)化的情況下，通知上層模塊，重新生成調度計劃。整個過程是一個動態(tài)反饋過程。采用智能算法的優(yōu)點在于能夠從全局的角度進行優(yōu)化，缺點在于模型描述的精度不高和易于陷入局部優(yōu)化解；利用帶啟發(fā)式規(guī)則的仿真方法恰恰能夠精確地描述模型和改善局部的解的性能，同時在較短的時間內生成優(yōu)化的調度方案。上層的調度結果不僅會指導下層的調度過程，即帶啟發(fā)式規(guī)則的仿真是對智能蟻群算法產(chǎn)生的調度計劃的局部修改；而且下層的調度結果也能幫助上層的調度尋優(yōu)，啟發(fā)式規(guī)則產(chǎn)生的某些局部優(yōu)化解也可以作為啟發(fā)信息指導蟻群算法更快地收斂。

仿真模塊完成以下三種功能：首先，它能夠實現(xiàn)用戶可視化的生產(chǎn)線建模，模型的復雜程度可以根據(jù)用戶研究問題的深度不同進行定義和設置；其次，為適應動態(tài)變化的生產(chǎn)環(huán)境，在仿真運行過程中，生產(chǎn)模型也可以根據(jù)生產(chǎn)線的具體情況進行自動修正，如某個設備失效等；最后，對調度模塊產(chǎn)生的調度方案進行仿真，并把由此生成的對該調度方案的多目標評價值和對瓶頸設備的預測數(shù)據(jù)反

饋給調度模塊，作為對下一步調度優(yōu)化判斷的依據(jù)。(二)動態(tài)數(shù)據(jù)驅動仿真控制單元

由中心推理機和輔助功能Agent組成，共同構成一個調度決策支持系統(tǒng)。中心推理機實現(xiàn)基于案例庫或規(guī)則庫的智能決策功能，輔助功能Agent在中心推理機的協(xié)同下工作，包括多目標管理Agent、優(yōu)化策略管理Agent、調度仿真劇情管理Agent、調度因素分析Agent等四種類型的Agent，它們分別實現(xiàn)不同的控制功能。

多目標管理Agent：負責控制當前調度優(yōu)化的方向，對調度方案評價函數(shù)中多個不同目標的權重進行動態(tài)的參數(shù)調整，實現(xiàn)調度目標與當前生產(chǎn)線的實際生產(chǎn)情況一致。柔性制造系統(tǒng)生產(chǎn)線調度問題是一個多目標的優(yōu)化問題。短期優(yōu)化目標包括：最大化生產(chǎn)量、最大化WIP移動步數(shù)、最小訂單交貨延遲率、降低加工周期、降低加工周期方差、降低WIP水平等。目標之間存在相互制約的關系，如何選取各目標優(yōu)化的權重以平衡各目標優(yōu)化的能力是需要解決的問題。各目標權值的大小比例是一個動態(tài)調適的過程。首先，它必須與我們生產(chǎn)計劃對當前生產(chǎn)的要求和側重點一致。同時，它也在不斷地動態(tài)調整，保持與生產(chǎn)線當前的實際生產(chǎn)情況一致，完成這個任務需要中心推理機的協(xié)同，如基于案例庫的推理等。

優(yōu)化策略管理Agent：直接對調度和仿真模塊下達指令，負責監(jiān)控調度仿真的執(zhí)行過程。優(yōu)化策略管理Agent根據(jù)控制模塊設定的優(yōu)化目標或調度模塊反饋的優(yōu)化目標的達成情況，在中心推理機的幫助下，按照推理規(guī)則，進行模型和算法的調整，實現(xiàn)全局優(yōu)化算法和局部優(yōu)化算法之間的動態(tài)協(xié)作，當滿足一定的條件時，返回優(yōu)化的調度方案作為當前的最優(yōu)解。

調度仿真劇情管理Agent：協(xié)助用戶完成“what—if”分析。與傳統(tǒng)仿真不同，動態(tài)數(shù)據(jù)驅動仿真是一種與生產(chǎn)線生產(chǎn)過程并行的仿真方法。因此，我們可以在仿真過程中設置多個時間斷點，通過改變假設條件來進行生產(chǎn)預測；同時，也可以進行回放分析，這在傳統(tǒng)仿真方法中是無法實現(xiàn)的。對多劇情仿真的管理由仿真劇情管理Agent實現(xiàn)；同時，仿真參數(shù)和得到的結果也將作為知識保存在案例庫中。

調度因素分析Agent：接收來自數(shù)據(jù)采集模塊的實時生產(chǎn)線數(shù)據(jù)，比較仿真數(shù)據(jù)與生產(chǎn)數(shù)據(jù)的差異，如果發(fā)現(xiàn)兩者有較大的偏差，即參數(shù)超出了允許的域值范圍，則使用中心推理機分析原因，并將分析的調度因素傳遞給優(yōu)化策略管理Agent，作為調整調度模型和算法的依據(jù)。同時，將調度因素反饋給數(shù)據(jù)采集策略Agent，由后者按一定的策略完成下一步的生產(chǎn)線數(shù)據(jù)采集工作。(三)動態(tài)數(shù)據(jù)注入單元

由數(shù)據(jù)采集策略Agent根據(jù)調度因素分析A—gent反饋的結果生成下一步的數(shù)據(jù)采集策略，然后派出對應的移動Agent到生產(chǎn)制造EMS系統(tǒng)中采集生產(chǎn)線上的生產(chǎn)數(shù)據(jù)。由于柔性制造系統(tǒng)生產(chǎn)線由上百個生產(chǎn)設備構成，如果對所有的生產(chǎn)數(shù)據(jù)進行采集必然影響數(shù)據(jù)的采集效率，所以采用移動Agent既縮短時間又提高數(shù)據(jù)的精確性，同時還可以根據(jù)需要對數(shù)據(jù)作一定的預處理以縮小傳遞的數(shù)據(jù)量。

(四)用戶界面交互Agent 負責把仿真數(shù)據(jù)展示給用戶，同時，接收用戶對仿真模型或參數(shù)的控制。使用戶可以實時地控制仿真的整個過程，并利用仿真結果指導生產(chǎn)和數(shù)據(jù)采集過程。

模型運行機制

從圖3中可見，動態(tài)數(shù)據(jù)驅動仿真的過程與生產(chǎn)線的生產(chǎn)過程是并行進行的。仿真系統(tǒng)根據(jù)一定的時鐘節(jié)拍采樣生產(chǎn)線上的數(shù)據(jù)；然后，將仿真數(shù)據(jù)與生產(chǎn)線數(shù)據(jù)作比較，使用因素分析Agent分析原因。如果發(fā)現(xiàn)兩者有較大的偏差，即參數(shù)超出了允許的域值范圍，則調整仿真模型，重新進行仿真。其中，仿真模型根據(jù)動態(tài)注入的生產(chǎn)數(shù)據(jù)完成自適應調整是整個DDDAS的核心，本文采用分層優(yōu)化的思想生成調度方案，同時達到全局和局部的優(yōu)化目標。首先，將智能搜索技術與離散事件仿真技術相結合，得到上層的調度方案；然后，應用優(yōu)化策略Agent對仿真結果進行分析，找到進一步優(yōu)化的方向，利用啟發(fā)式調度規(guī)則進行方案調整得到下層的調度方案，并反復地使用仿真進行驗證。不僅下層的調度方案建立在上層調度方案的基礎上；同時，上層的調度模塊接受下層調度方案的局部優(yōu)化解作為啟發(fā)信息引導搜索過程，以加快收斂，在較短的時間內得到全局的優(yōu)化解。與傳統(tǒng)的靜態(tài)仿真不同，DDDAS仿真能動態(tài)地吸收新的數(shù)據(jù)，并將仿真過程同真實系統(tǒng)相融合，讓二者相互協(xié)同起來。一方面，通過真實系統(tǒng)運行過程中產(chǎn)生的參數(shù)同步地對仿真系統(tǒng)進行調整，可以大大提高仿真的準確性、時效性、智能化；另一方面，通過仿真提供的數(shù)據(jù)同步地為真實系統(tǒng)地運行提供決策支持，這些將大大地擴展仿真系統(tǒng)的應用能力。

第三篇：生產(chǎn)計劃調度大作業(yè)

《作業(yè)車間調度的非合作博弈模型與混合自適應遺傳算法》 作者：周光輝，王蕊，江平宇，張國海

摘要：采用博弈理論，建立了一種基于非合作博弈的作業(yè)車間任務調度模型，在該任務調度模型中，將源于不同客戶的制造任務映射為非合作博弈模型中的局中人，并將與制造任務包括的工序集所對應的可選加工設備映射為可行方案集，將使各制造任務的加工完成時間和成本組合形成的多目標綜合指標映射為收益函數(shù)，從而將對任務調度模型的求解轉換為尋求非合作博弈模型的Nash均衡點，通過設計的爬山搜索混合自適應遺傳算法、自適應交叉和變異算子，實現(xiàn)了對該任務調度非合作博弈模型的Nash均衡點的有效求解，同時算例仿真結果也驗證了所提出的調度方法的正確性。

根據(jù)數(shù)學模型和假設條件，競爭驅動的作業(yè)車間任務調度目標就是尋求使得每個制造任務均能達到綜合目標值最小、利益均衡的調度結果。

《基于自適應遺傳算法的Job Shop 調度問題研究》 作者：沈斌，周瑩君，王家海

Job Shop 求解過程的計算量隨問題的規(guī)模呈指數(shù)增長，已被證明是NP完全問題。因此近年來傾向于利用人工智能的原理和技術進行搜索，尋找復雜問題的較優(yōu)解，特別是以效仿生物處理模式以獲得智能信息處理功能的遺傳算法研究最為深入。但是也有不足之處，早熟收斂問題，局部搜索能力，算子的無方向性，正因為這些不足限制了以遺傳算法的進一步推廣和應用，因此對遺傳算法進行改進顯得尤為重要。本文提出一種新的自適應遺傳算法用以求解Job Shop調度問題。

Job Shop問題描述

一個加工系統(tǒng)有m臺設備，要求加工n個工件，第i個工件ji包含m個操作（工序），需要考慮如下假設：

1）每道工序必須按照工藝順尋依次在指定的設備上加工，且必須在前一道工序（如果存在））加工完成后才一開始加工；

2）工件在一臺設備上一旦開始加工，便不能中斷，必須等到加工完成后，才能加工另外工件，即某一時刻一臺設備只能加工一個工件； 3）同一個工件不能同時在兩個設備上加工；

4）同一臺設備不能同時加工兩個工件；

5）每個工件在每臺設備上必須加工一次，也只能加工一次；

6）各工件的工藝路線jsn和每到工序的加工時間jt已知，且不隨加工排序的改變而改變，轉移時間和輔助時間忽略不計或計入加工時間。

《A Hybrid Genetic Algorithm for Job Shop Scheduling Problem to Minimize Makespan》 作者：Lin Liu, Yugeng Xi

In this paper, we present a hybrid genetic algorithm for the job shop scheduling problem to mimize makespan.How to improve GA performance is a critical issue when using a GA to solve optimization problems.The general way focuses on tuning its parameters such as population size, crossover rate and mutation rate.However, if all parameters have attained the useful bounds, the expected improvement is often not worth the efforts of finding even better parameters.More potential improvements can be only explored by modifying the size of search space.The set of active schedules is usually large and includes a lot of schedules with relatively large idle times on machines, and thus with relatively large idle times on machines, and thus with poor performance in terms of makespan.The proposed algorithm used the idea of hybrid scheduler to reduce the search space as well as the computational efforts.The search space can be reduced or increased by controlling the upper bound of idle times allowed on machines.Since the parameters of the hyubrid scheduler are unlikely to be determined appropriately in advance, we search better values of them in the hybrid GA evolution.Dissimilar to Gas in literatures, a chromosome includes not only genes representing the relative priorities of all operations but also genes representing the parameters to determine the upper bound of idle times permitted on a given machine before scheduling an operation.The random keys representation is used to encode a chromosome.Each element of the chromosome is a real number of [0,1].During the schedule generation phase, the SPV rule is used to convert a real number vector into a job repetition representation.Based on the hybrid scheduler, a chromosome is decoded into a feasible schedule.Finally, a local search is executed in the neighborhood determined by the critical active chain to improve the performance of the schedule generated in the schedule generation phase.nd In the 2section, we present the formulation of job shop scheduling problem to minimize makespan.In the 3 section, we describe the proposed hybrid genetic algorithm in detail.In the 4 section, the proposed algorithm is evaluated on benchmark instances.Finally, we conclude the paper with a summary in 5th section.《Hybrid Genetic Algorithm for Solving Job-Shop Scheduling Problem》 作者：S.M.Kamrul Hasan

The Job-Shop Scheduling Problem(JSSP)is a well-known difficult combinatorial optimization problem.Many algorithms have been proposed for solving JSSP in the last few decades, including algorithms based on evolutionary techniques.However, there is room for improvement in solving medium to large scale problems effectively.In this paper, we present a Hybrid Genetic Algorithm(HGA)that includes a heuristic job ordering with a Genetic Algorithm.We apply HGA to a number of benchmark problems.It is found that the algorithm is able to improve the solution the solution obtained by traditional genetic algorithm.《Scheduling jobs and maintenances in flexible job shop with a hybrid genetic algorithm》

Most flexible job shop scheduling models assume that the machines are available all of the time.However, in most realistic situations, machines may be unavailable due to maintenances, pre-schedules and so on.In this paper, we study the flexible job shop scheduling problem with availability constraints.The availability constraints are non-fixed in that the completion time of the maintenance tasks is not fixed and has to be determined during the scheduling procedure.We then propose a hybrid genetic alogorithm to solve the flexible job shop scheduling problem with non-fixed availability constraints.The genetic algorithm uses an innovative representation method thrdand applies genetic operations in phenotype space in order to enhance the inheritability.We also define two kinds of neighbourhood for the problem based on the concept of critical path.A local search procedure is then integrated under the framework of the genetic algorithm.Representative flexible job shop scheduling benchmark problems and fJSP-nfa problems are solved in order to test the the effectiveness and efficiency of the suggested methodology.《A Hybrid genetic algorithm for no-wait job shop scheduling problems》 作者：Jason Chao-Hsien Pan, Han-Chiang Huang

A no-wait job shop describes a situation where every job has its own processing sequence with the constraint that no waiting time is allowed between operations within any job.A NWJS problem with the objective of minimizing total completion time is a NP-hard problem and this paper proposes a hybrid genetic algorithm(HGA)to solve this complex problem.A genetic operation is defined by cutting out a section of genes from a chromosome and treated as a subproblem.This subproblem is then transformed into an asymeetric traveling salesman problem(ATSP)and solved with a heuristic algorithm.Subsequently, this section with new sequence is put back to replace the original section of chromosome.The incorporation of this problem-specific genetic operator is responsible for the hybrid adjective.By doing so, the course of the search of the proposed genetic algorithm is set to more profitable regions in the solution space.The experiemental results show that this hybrid genetic algorithm can accelerate the convergence and improve solution quality as well.

第四篇：生產(chǎn)計劃調度崗位職責

生產(chǎn)計劃調度崗位職責

1、生產(chǎn)計劃調度崗位職責

1、目的

建立生產(chǎn)計劃調度崗位職責，切實履行調度協(xié)調、管理職能。

2、范圍

生產(chǎn)計劃調度

3、責任

生產(chǎn)計劃調度應履行其自身的崗位職責，總調度負責監(jiān)督、檢查。

4、內容

4.1、原輔材料采購計劃的編制

4.1.1根據(jù)銷售部半月銷售計劃的急緩情況，制定原輔材料的采購計劃并根據(jù)排產(chǎn)情況限定到貨期；

4.1.2采購部所采購物資到司后，督促化驗員對原輔材料的質量進行化驗分析；

4.1.3及時聯(lián)系裝卸隊對合格留用的原輔材料卸至指定倉庫的指定位置；

4.1.4 臨時性備品備件采購計劃的制定；

4.2、設備檢修計劃的編制

4.2.1調度根據(jù)各車間設備運行狀況報表，制定設備的檢修、維修計劃；

4.2.2因緊急情況需要立即進行設備檢修的，車間在征得調度同意后可自行進行檢修，調度要進行跟蹤檢查，以盡快完成設備檢修任務；

4.2.3根據(jù)各車間設備運轉狀況安排設備檢維修的具體時間；

4.3、生產(chǎn)計劃的分解 4.3.1根據(jù)銷售部半月銷售計劃的急緩情況，制定詳細的排產(chǎn)計劃；

4.3.2確定各產(chǎn)品的生產(chǎn)日產(chǎn)量、完成期限等要求；

4.3.3對生產(chǎn)計劃完成情況進行跟蹤、督促和檢查；

4.4、生產(chǎn)調度

4.4.1掌握生產(chǎn)作業(yè)情況和動態(tài)，協(xié)調產(chǎn)、供、銷、運，做好綜合平衡；

4.4.2了解和掌握各車間的生產(chǎn)、原料與產(chǎn)品的庫存情況，及時進行協(xié)調；

4.4.3了解生產(chǎn)過程中水、電、汽及相關設備的運行、平衡情況，及時進行協(xié)調；

4.4.4 針對銷售計劃分解生產(chǎn)任務指標，安排車間進行生產(chǎn)，并對生產(chǎn)過程進行監(jiān)督檢查；

4.4.5 對銷售計劃的變更和追加進行分解，及時通知車間進行生產(chǎn)；

4.5、計劃完成率的考核

4.5.1 對采購計劃的完成情況進行跟蹤、督促，不能按時、按質、按量完成采購計劃的，視情況對采購部進行考核；

4.5.2 銷售部頻繁變更和追加銷售計劃的，視情況對銷售部進行考核；

4.5.3 對不能按照計劃完成生產(chǎn)任務的車間，視情況對生產(chǎn)車間進行考核；

4.5.4 對不配合工作、不能按要求及時完成臨時指派工作的，視情況對個人或單位進行考核；

4.5.5 每月對采購、生產(chǎn)車間進行計劃及時完成率考核。

5、日常工作

5.1 在總調度的領導下對公司生產(chǎn)計劃進行管理、生產(chǎn)相關數(shù)據(jù)收集、匯總與上報及日常事務的協(xié)調工作。

5.1.1 將每天各車間的產(chǎn)量、產(chǎn)品質量、設備運行狀況等情況收集匯總，報生產(chǎn)副總、總工、總經(jīng)理各一份。

5.1.2 將每天倉儲走貨、庫存及盤庫情況收集匯總，報生產(chǎn)副總、總經(jīng)理各一份。

5.2 負責檢查各車間生產(chǎn)情況及發(fā)現(xiàn)生產(chǎn)現(xiàn)場管理中存在的問題。

5.2.1 對非外因和非計劃性停產(chǎn)的情況進行原因分析，并追究當事者的責任。

5.2.2 對生產(chǎn)過程中出現(xiàn)的一些問題協(xié)調處理，處理不了的及時向總調度匯報。

5.2.3 負責公司（北廠包含集團）急、難、險、重任務的指揮協(xié)調和人員組織。

5.2.4 完成各級領導賦予的臨時性工作。

2、生產(chǎn)調度員崗位職責

1、生產(chǎn)調度員在項目執(zhí)行經(jīng)理的帶領下工作。

2、負責全項目部日常生產(chǎn)、安全的協(xié)調調度和管理工作。

3、做好“上傳下達”工作，負責及時準確地向勞務班組下傳達生產(chǎn)任務、生產(chǎn)調度指令、各項通知、通報等；負責向有關領導及時匯報生產(chǎn)情況及主要生產(chǎn)進度。

4、隨時掌握生產(chǎn)、安全動態(tài)；對現(xiàn)場生產(chǎn)進度情況進行重點了解，發(fā)現(xiàn)問題應及時如實逐級上報。

5、負責建立完整的原始記錄，及時提出調度報表和生產(chǎn)、安全動態(tài)分析資料，做到匯報及時、數(shù)字準確、內容完整、問題真實。

6、對各區(qū)勞務隊的組織機構、主要崗位人員的有關情況和變動要及時了解掌握。

7、負責每周、每天的生產(chǎn)碰頭會的召集、記錄等工作。

8、負責匯總上報各區(qū)勞務隊的材料計劃，并按項目部的既定程序審核、審批后報材料組采購和及時的催促。

9、負責每周現(xiàn)場安全生產(chǎn)檢查的召集，配合安全負責人做好檢查工作。

10、完成領導安排的其它工作。

3、生產(chǎn)調度員崗位職責

1、嚴格按照生產(chǎn)作業(yè)計劃組織企業(yè)的生產(chǎn)活動，做到指揮正確，組織嚴密，均衡完成生產(chǎn)計劃。

2、嚴格執(zhí)行企業(yè)生產(chǎn)調度會上的各項決定與上級領導的指示，做到執(zhí)行及時，并對執(zhí)行的情況隨時進行檢查。

3、監(jiān)督、檢查生產(chǎn)作業(yè)進度，掌握企業(yè)生產(chǎn)動態(tài)，協(xié)調生產(chǎn)作業(yè)進度，做好綜合平衡。及時了解并掌握各生產(chǎn)車間的生產(chǎn)、原材料供應與在制品庫存等情況，根據(jù)生產(chǎn)作業(yè)進度協(xié)調、督促生產(chǎn)車間零件和各工序在制品的流轉保持生產(chǎn)有效運行，對于不平衡現(xiàn)象及時進行協(xié)調，并加以妥善解決。

4、掌握企業(yè)的水、電、氣等設備的運行與供應情況，保證企業(yè)生產(chǎn)工藝的穩(wěn)定。

5、掌握企業(yè)主要工藝指標的執(zhí)行情況，主要生產(chǎn)設備的開、停機情況，以保證穩(wěn)定安全的生產(chǎn)。

6、銜接協(xié)調生產(chǎn)中各個環(huán)節(jié)出現(xiàn)的問題，督促檢查各產(chǎn)品生產(chǎn)技術準備、物資準備、輔助條件準備情況和生產(chǎn)過程的質檢過程、質量保證條件，及時向主管領導匯報，做到情況清、問題準。

7、經(jīng)常深入生產(chǎn)現(xiàn)場進行生產(chǎn)作業(yè)調查與檢查，監(jiān)督、檢查生產(chǎn)所需物料缺損情況，跟催生產(chǎn)環(huán)節(jié)缺失物料確保物料滿足生產(chǎn)、及時到位。對生產(chǎn)薄弱環(huán)節(jié)進行現(xiàn)場調度，并處理當班生產(chǎn)過程中出現(xiàn)的各種問題。及時向主管領導匯報生產(chǎn)進度和發(fā)生的問題。掌握情況要準確，處理問題要及時，保證企業(yè)的正常生產(chǎn)。

8、協(xié)調相關部門做好生產(chǎn)設備的檢修工作，協(xié)調、聯(lián)系工作要及時，以盡快完成設備的檢修任務。

9、對當班過程中出現(xiàn)的生產(chǎn)事故，要組織好搶救工作，防止事故擴大，妥善處理生產(chǎn)現(xiàn)場，盡快恢復生產(chǎn)。同時要向上級領導與企業(yè)安全部門匯報。

10、負責當班生產(chǎn)情況的綜合分析，并總結當天的生產(chǎn)、設備檢修以及產(chǎn)量完成情況，查找生產(chǎn)瓶頸、分析問題原因、提出改進方案、編寫調度日報表并及時報送相關領導。

11、嚴格按照企業(yè)規(guī)定認真、準時做好交接班工作，在交接過程中，做到交接清楚，重點突出。

12參加公司生產(chǎn)調度會議，督促檢查生產(chǎn)（作業(yè)）計劃和生產(chǎn)調度員會議決議執(zhí)行情況。參加臨時生產(chǎn)協(xié)調會，配合生產(chǎn)調度負責人解決生產(chǎn)過程中出現(xiàn)的問題。在生產(chǎn)調度員會上匯報本周生產(chǎn)進度與處理問題的情況。

第五篇：生產(chǎn)計劃調度管理制度

生產(chǎn)計劃調度管理制度

第一章 總 則

第一條 為了規(guī)范本公司生產(chǎn)計劃、調度管理，合理組織生產(chǎn)，特制定本制度。

第二條 本制度適用于本公司生產(chǎn)的計劃、調度管理全過程。

第三條 本制度的責任部門為生產(chǎn)部、營銷部、供應部、各車間、班組。責任人為生產(chǎn)副總、生產(chǎn)部負責人、調度員、巡查員。

第四條 生產(chǎn)計劃調度工作由生產(chǎn)部具體負責。

第二章 生產(chǎn)計劃的下達與執(zhí)行

第五條 生產(chǎn)部應每月（周）根據(jù)食品銷售公司及營銷部下達的銷售計劃制定月（周）生產(chǎn)計劃，下達生產(chǎn)調度通知下發(fā)車間執(zhí)行。生產(chǎn)部應加強與供應部、營銷部、生產(chǎn)車間等有關部門聯(lián)系，全面掌握生產(chǎn)所具備的條件。

第六條 每周星期四上午10:00，由生產(chǎn)部負責組織召開由質量技術部、供應部、營銷部、生產(chǎn)車間等部門負責人參加的本公司生產(chǎn)調度會，傳達周生產(chǎn)計劃，協(xié)調解決有關生產(chǎn)方面的相關事宜。

第七條 因特殊情況臨時追加的生產(chǎn)任務或急需的產(chǎn)品，由生產(chǎn)部進行生產(chǎn)計劃適當調整，但需報分管領導或公司第一負責人審核。第八條 各個部門應嚴格執(zhí)行生產(chǎn)調度通知，必須按生產(chǎn)調度會的要求或通知確保生產(chǎn)具備的條件。

第九條 在生產(chǎn)過程中，如果出現(xiàn)水、電、汽、設備或材料供應等異常情況，生產(chǎn)車間應及時報告生產(chǎn)部，由生產(chǎn)部負責聯(lián)系相關部門協(xié)調解決。

第三章 檢查與考核

第十條 生產(chǎn)部統(tǒng)計員每日上午負責將前日的生產(chǎn)情況、生產(chǎn)物資以報表形式及時報生產(chǎn)部。

第十一條 生產(chǎn)部負責人、巡查人員隨時深入各個生產(chǎn)崗位檢查生產(chǎn)進度、物料動態(tài)，并及時協(xié)調、匯報。

第十二條 如果因工作失職或不服從生產(chǎn)調度安排，而延誤生產(chǎn)進度或影響生產(chǎn)作業(yè)計劃的，給予責任人100-500元罰款。

第十三條 本制度自發(fā)文之日起實施。第十四條 本制度解釋權屬生產(chǎn)部。