經典作業車間排程問題

在傳統車間排程模型中，假設工序加工所需要的資源是不具備柔性的資源，工件的所有工序的加工機器是唯一的，且機器順序是已知的，則可通過確定工序在每臺機器上的加工順序來優化完工時間等系統目標。隨著大批量連續生產時代正逐漸被適應市場動態變化的多品種、小批量離散生產所替代，一個製造企業的生存能力和競爭能力在很大程度上取決於它是否能在較短的生產週期內，生產出較低成本、較高質量的多個產品品種的能力。

柔性作業車間排程問題

柔性作業車間排程問題（ｆｌｅｘｉｂｌｅｊｏｂｓｈｏｐｓｃｈｅｄｕ－ｌｉｎｇｐｒｏｂｌｅｍ，ＦＪＳＰ）也就成為研究重點，它是ＪＳＰ問題的擴充套件，工件的每道工序可以在多臺機器上進行加工，且在每臺機器上的加工時間不一定相同。實際生產中可以按照資源負荷情況，靈活地進行資源的選擇，提高加工的靈活性。工件的每道工序可以在多臺機器上加工的情況在實際生產中有明顯的優點：

（１）提高裝置的利用率，機床一旦空閒就可以安排工件進行加工，減少裝置閒置和等待的時間；
（２）具有維持生產穩定的能力，當一臺或多臺機器發生故障時，工序可以繞過故障機器，在其他機器上進行加工，使生產得以繼續，保證生產的穩定；
（３）提高產品質量和縮短生產週期，與經典的ＪＳＰ模型相比，同一工件的多道工序可以在同一臺機床上連續進行加工，減少了中間裝卸和搬運等而造成的時間消耗

柔性作業車間排程問題是一個ＮＰ－ｈａｒｄ問題，不可能找到精確求得ＦＪＳＰ最優解的多項式時間演算法。研究人員為解決這個難題已付出了幾十年的努力，但至今最先進的演算法仍很難得到規模較小問題的最優解。近十幾年以來，通過模擬自然界中生物或物理過程而發展起來的元啟發式演算法用於研究ＦＪＳＰ，如遺傳演算法（ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ，ＧＡ）、蟻群優化演算法（ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）、禁忌搜尋演算法（ｔａｂｕｓｅａｒｃｈ，ＴＳ）、粒子群優化演算法（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）、模擬退火演算法（ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ，ＳＡ）、ＤＮＡ演算法等

柔性作業車間排程問題特點

１．計算複雜
柔性作業車間排程問題是作業車間排程問題的擴充套件，它不僅需要確定工序加工的順序，還要給每道工序分配機器，是比ＪＳＰ更為複雜的ＮＰ－ｈａｒｄ問題

２．多目標
實際生產中經常考慮多項效能指標要求，且各項要求可能彼此衝突。常用的排程效能指標包括：最大完工時間、交貨期、機器總負荷、生產成本、延遲或拖期、庫存等。
３．不確定性
實際製造中存在廣泛的不確定性因素，如機器故障、操作人員的熟練程度、原材料的差異、刀具磨損等因素的影響，確定的加工資訊很少能獲得。
４．動態性
實際生產製造過程是一個動態的過程，加工工件通常是依次進入待加工狀態的，各種工件不斷進入製造系統接受加工，已加工完的工件又不斷地離開製造系統。

目前車間靜態、不確定隨機、動態排程範圍的定義存在多種不同的分類模型，而這些模型直接影響解決問題的複雜性，因此要求模型簡單，接近實際生產過程。一種簡單、實用的動態和不確定排程分類模型如圖１．３所示，圖中可清晰區分靜態排程、動態排程、多目標排程、不確定排程、多目標不確定排程的範圍