生产排程问题（Production Scheduling）在运筹学中归类为Job-Shop调度——N个订单（Job）在M台设备（Machine）上经过多道工序（Operation），每道工序有加工时间和资源约束，目标是找到一种排产顺序使某种目标函数最优（最短完工时间/最小延期/最低成本）。这个问题是NP-Hard的，精确求解只在极小规模下可行。工业实践中不追求最优解，而追求"足够好的可行解"——在合理计算时间内给出可执行、可调整的排产方案。APS（Advanced Planning and Scheduling）系统的工程价值就在这里。
排程方法
排程方法 | 求解策略 | 计算时间 | 解的质量 | 工业适用场景 |
规则排程 | 派工规则 | 秒级 | 中（局部最优） | 动态实时调度 |
遗传算法 | 启发式搜索 | 分钟级 | 中高（近优） | 中等规模静态排程 |
模拟退火 | 概率搜索 | 分钟级 | 中高（近优） | 多目标优化 |
约束规划 | CP求解器 | 秒-分钟 | 高 | 复杂约束排程 |
混合整数规划 | 精确求解 | 小时级 | 最优 | 小规模验证 |
规则排程（Dispatching Rules）是最简单也最常用的方法。FIFO（先到先服务）按订单到达顺序排产，SPT（最短加工时间优先）优先安排短工序提高设备利用率，EDD（最早交期优先）按交期紧迫程度排序。规则排程的优势是计算极快——O(N log N)排序即可完成，适合动态调度场景（插单/急单时秒级重新排序）。劣势是局部最优——FIFO不考虑交期紧迫度，EDD忽略加工时间差异，单一规则难以平衡多个目标。
遗传算法（Genetic Algorithm）用生物进化模型搜索解空间。将排产方案编码为"染色体"（工序排列序列），通过选择（适应度高的方案保留）、交叉（两个方案交换部分工序顺序）、变异（随机交换某两个工序）迭代进化。遗传算法的关键参数是种群大小（通常100-500）和迭代代数（500-2000代），总评估次数为种群×代数。每次评估需对排产方案做仿真计算（计算每道工序的开始/结束时间、资源占用冲突），计算量与订单数×工序数成正比。500个订单×20道工序的排程问题，遗传算法约需2-5分钟求解。
约束规划（Constraint Programming, CP）是近年来在工业排程中应用增长最快的方法。CP求解器（如Google OR-Tools CP-SAT、IBM CP Optimizer）将排程问题建模为约束满足问题——定义变量（工序开始时间）、约束（资源容量/工序先序/交期限制），求解器在搜索空间中剪枝寻找可行解。CP的优势是约束表达力强——替代工序（A设备坏了用B设备）、可选资源（同一工序可在C或D设备上加工）、互斥约束（同一设备同时只能做一个工序），这些复杂约束在CP框架中自然表达。遗传算法处理这些约束需设计复杂的罚函数，且容易产生不可行解。
数据输入
排程系统的数据输入由四个维度构成。
订单数据：订单编号、产品型号、数量、交期、优先级（普通/急单/客户指定）。订单数据来自ERP系统，排程系统通过接口拉取未排产的订单列表。数据时效要求不高——订单变更频率以天计，每日批量拉取即可。
工艺数据：工艺路线（Routing）定义产品的加工路径——工序序列、每道工序所需设备类型、标准工时。工艺路线可能有替代方案——主路线是设备A→B→C，替代路线是A→D→C（B设备不可用时用D替代）。工艺数据来自PLM（产品生命周期管理）或CAPP（计算机辅助工艺设计）系统，变更频率低。
设备数据：设备清单、设备能力（可加工的工序类型）、设备可用性（日历/班次/维护计划）。设备可用性需排除计划维护时段和已排产时段，剩余的才是可排产时间窗口。设备状态数据需实时——排程时需知道哪些设备当前在运行、哪些在维护、哪些空闲。
物料数据：物料可用性（库存是否充足、到货时间）。排程时需检查物料约束——如果某订单的原材料未到货，该订单即使设备空闲也不能排产。物料数据来自WMS（库存）和采购系统（到货计划），实时性要求中等——物料状态变化频率以小时计。
排程输出与动态调度
排程输出是工序级的排产计划：每个订单的每道工序在哪个设备上、什么时间开始、什么时间结束、由谁操作。排产计划下发到MES执行，MES返回执行进度——当前工序完成情况、实际工时、异常事件。
动态调度处理排产计划执行过程中的偏差。三类偏差需触发重排：插单/急单（新增高优先级订单，需在现有计划中插入）、设备故障（某设备不可用，需将其上排产工序转移到替代设备）、物料延期（某订单物料延迟到货，需将该订单后延或调整到物料到货后）。
动态调度的策略是局部重排而非全局重排。全局重排计算时间长且打乱已执行的计划——已经排产到第二道工序的订单不能被重排到第一道。局部重排只在受影响的时间窗口内重新优化——故障设备在接下来8小时的工序需重新分配到替代设备，8小时之后的计划不变。这种"滑动窗口"重排策略平衡了优化效果和计划稳定性。
冻结期（Frozen Period）是动态调度的重要概念。冻结期内的排产计划不可修改——通常设定为最近24-48小时的计划为冻结期，因为物料已备料、人员已排班、设备已调试，修改成本太高。冻结期外的计划可以调整，插单从冻结期后开始安排。
多目标优化
生产排程的目标函数不是单一的，而是多目标平衡。
最大完工时间（Makespan）= 所有订单最后一道工序结束时间的最大值。Makespan最小化意味着总生产时间最短，设备利用率最高。
延期量（Tardiness）= max(0, 实际完成时间 – 交期)。总延期量最小化是客户满意度导向的目标。
设备利用率= 有效加工时间 / 可用时间。利用率最大化是资产效率导向的目标。
换产次数= 不同产品型号切换的次数。换产次数最小化减少换产时间损失（每次换产需清洗设备、调整参数、试产验证）。
这些目标之间存在冲突——最大化设备利用率可能导致批量增大（减少换产），但批量增大可能延迟小批量急单的交期。多目标优化通常采用加权求和（Multi-Objective Weighted Sum）或Pareto前沿（多目标遗传算法NSGA-II）。加权求和中权重的设置需业务专家参与——不同企业的优先序不同，OEM代工企业重视交期（权重高），自有品牌企业重视利用率。
落地挑战
工艺路线复杂是排程建模的主要难点。真实产线的工艺路线不是简单的线性序列，而是有向图——多个并行工序（部件A和B可同时加工，完成后组装为成品C）、多个可选设备（工序X可在设备M或N上加工，工时不同）、回环工序（热处理后需检测，检测不合格需返工回到热处理）。有向图建模需在CP框架中用可选变量表达——工序X分配到M或N是布尔变量，求解器自动选择更优的分配。
约束条件多使可行解空间收缩。设备约束（同一设备同时只能做一个工序）、人员约束（焊接工序需有焊工资质的操作工）、模具约束（某产品需特定模具，模具同时只在一台设备上使用）、物料约束（物料齐套才能开工）、工艺约束（热处理后必须在4小时内进入下一道工序，否则材料氧化）。约束越多可行解越少，搜索空间收缩——有时找不到可行解，需放松低优先级约束（如忽略模具约束改为人工调配）。
优化目标冲突使排产方案的选择变成管理决策而非纯技术决策。运营部门要利用率最高，销售部门要交期最快，质量部门要换产最少（减少混料风险）。APS系统的角色不是替管理层做决策，而是提供多方案对比——"方案A：利用率85%但3个订单延期，方案B：利用率80%无延期但换产增加30%"，由管理层选择。
TDengine在排程系统中作为设备状态和产能的实时数据源。设备运行状态（运行/待机/维护/故障）持续写入TDengine，排程系统查询设备近期的实际产能数据——实际加工时间与标准工时的偏差、设备MTBF（平均故障间隔）趋势，用于修正排程参数。排产结果存入TDengine作为历史数据，支持排产准确率分析——计划完工时间与实际完工时间的偏差统计，指导排程模型参数优化。
结语
APS在工业互联网离散制造中的价值不在于找到理论最优解，而在于在工业约束下快速生成可执行的排产方案。规则排程用于实时动态调度，遗传算法和约束规划用于中大规模静态排程，多目标优化框架处理冲突目标的方案比选。
落地障碍不在算法层而在数据层——工艺路线复杂度、约束条件密度、设备状态实时性，三者决定了排程方案的可信度。排产准确率的提升依赖模型参数的持续校正——实际工时与标准工时的偏差需反馈到排程模型，这是一个持续优化的闭环过程。
