王 婷，衛(wèi)少鵬，廖 斌，周 彤

(貴州大學(xué) 管理學(xué)院，貴州 貴陽550025)

隨著5G時代的來臨，“萬物感知、萬物互聯(lián)、萬物智能”成為當(dāng)代發(fā)展的新趨勢[1]。制造業(yè)利用大數(shù)據(jù)和云計(jì)算等新興技術(shù)[2-3]，針對逐漸盛行的大規(guī)模定制和協(xié)同分布模式，深度挖掘客戶定制化信息，搜集分布式車間生產(chǎn)制造信息，構(gòu)建多種制造類型的調(diào)度算法庫，為制造系統(tǒng)的高效運(yùn)作和資源的有效配置提供保障。智能調(diào)度指的是制造企業(yè)以人工智能為依托，裝配集自感知、自學(xué)習(xí)、數(shù)據(jù)分析、決策生成、協(xié)調(diào)生產(chǎn)于一體的智能化設(shè)備[4-8]，達(dá)到自組織、自調(diào)節(jié)、自適應(yīng)的生產(chǎn)目標(biāo)。

制造系統(tǒng)的生產(chǎn)調(diào)度問題大多數(shù)為NP-hard。依據(jù)解決組合優(yōu)化問題的研究方法，智能調(diào)度的發(fā)展大致可分為2個階段。第1階段，為了解決調(diào)度問題，較多運(yùn)用運(yùn)籌學(xué)中精確求解的方法，比如，分支定界法、整數(shù)規(guī)劃法、拉格朗日松弛法等。這些方法雖然可以得到較好的全局最優(yōu)解，但是計(jì)算過程繁瑣、計(jì)算量過大，不適合對大規(guī)模問題進(jìn)行運(yùn)算求解。針對大規(guī)模調(diào)度問題，啟發(fā)式算法可以實(shí)現(xiàn)快速求解，然而解的質(zhì)量較低，和全局最優(yōu)解的差值較大，從而無法大量應(yīng)用于生產(chǎn)實(shí)踐。第2階段，20世紀(jì)80年代以后，學(xué)者受到一些自然現(xiàn)象和規(guī)律的啟發(fā)，發(fā)明了各種模擬自然界的人工智能算法，比如，遺傳算法、蟻群算法等。還有一些結(jié)合人工智能的原理，對傳統(tǒng)算法進(jìn)行完善，從而得到較好的智能算法，比如，禁忌搜索算法、模擬退火算法。隨著人工智能的不斷發(fā)展，僅依靠這些單一的算法也會出現(xiàn)各種局限性，比如，運(yùn)算速度緩慢、全局最優(yōu)解精度較低等。學(xué)者在原始算法的基礎(chǔ)上融合其他算法的優(yōu)點(diǎn)或?qū)υ妓惴ú粩喔倪M(jìn)，比如，改進(jìn)生物地理學(xué)算法[9]、離散人工蜂群算法[10]、文化基因算法[11]，大大提高了運(yùn)算速度及精度。此外，還有帝國競爭算法[12]、免疫算法[13]、粒子群算法[14]等。

調(diào)度業(yè)務(wù)運(yùn)用云計(jì)算、大數(shù)據(jù)等技術(shù)能更好地提高調(diào)度的智能化和一體化水平?；谠朴?jì)算的智能調(diào)度是通過互聯(lián)網(wǎng)將分布式的制造車間或服務(wù)調(diào)度中心的軟件、數(shù)據(jù)及IT資源進(jìn)行整合，集成一個虛擬抽象的調(diào)度資源池，用“需則可用”的理念，幫助制造系統(tǒng)處理模型管理、實(shí)時監(jiān)控與預(yù)警、調(diào)度計(jì)劃編制以及調(diào)度管理等業(yè)務(wù)[15-20]，向其提供所需的計(jì)算、控制、存儲等服務(wù)，從而保證了計(jì)算能力和海量信息的共享以及應(yīng)用功能的高度協(xié)同，為適應(yīng)未來調(diào)度領(lǐng)域多層級、多維度的高效協(xié)同奠定了基礎(chǔ)。

智能調(diào)度作為實(shí)現(xiàn)產(chǎn)業(yè)結(jié)構(gòu)升級、制造業(yè)服務(wù)化的根本途徑，是車間生產(chǎn)運(yùn)作的核心[21-23]。關(guān)于智能調(diào)度的研究，國內(nèi)外學(xué)者大多從微觀層面著手，聚焦于某個細(xì)分領(lǐng)域的運(yùn)行機(jī)制或算法改進(jìn)，比如，改進(jìn)免疫算法[24]、改進(jìn)蜂群算法[25]，僅局限于方法層面或技術(shù)層面，不利于整體把握智能調(diào)度的發(fā)展現(xiàn)狀及脈絡(luò)?；诖?，本文從智能調(diào)度全局出發(fā)，運(yùn)用文獻(xiàn)計(jì)量法，收集眾多國內(nèi)外知名學(xué)者有關(guān)智能調(diào)度的文獻(xiàn)數(shù)據(jù)，導(dǎo)入CiteSpace軟件進(jìn)行分析處理，繪制關(guān)鍵詞、被引文獻(xiàn)和突現(xiàn)詞知識圖譜，結(jié)合相關(guān)文獻(xiàn)資料研究解讀之后，得出當(dāng)前國內(nèi)外智能調(diào)度的研究現(xiàn)狀及前沿，并預(yù)測了智能調(diào)度的發(fā)展趨勢。

1數(shù)據(jù)來源與方法

1.1數(shù)據(jù)來源

國外文獻(xiàn)資料以Web of Sience為來源，以“主題=intelligent scheduling”為檢索條件，來源類別選擇Web of Science核心合集，檢索時間為2009—2019年，在剔除無效文獻(xiàn)，比如會議、報紙等后，共得到有效樣本文獻(xiàn)1 114篇。

國內(nèi)文獻(xiàn)資料以CNKI為來源，以“主題=智能調(diào)度”為檢索條件，來源類別選擇SCI來源期刊、Ei來源期刊、核心期刊、CSSCI、CSCD，檢索時間為2009—2019年，剔除會議、書評等無效文獻(xiàn)后，得到有效樣本文獻(xiàn)397篇。

1.2研究方法

利用CiteSpace軟件，使用近10年CNKI、Web of Science數(shù)據(jù)庫收錄的有關(guān)智能調(diào)度的文獻(xiàn)資料，繪制“被引文獻(xiàn)”，“作者合作共現(xiàn)”和“突現(xiàn)詞”知識圖譜，直觀展現(xiàn)文獻(xiàn)的特征、研究熱點(diǎn)及發(fā)展趨勢。

2文獻(xiàn)時間分布

發(fā)文數(shù)量可以有效反映研究熱度。發(fā)文數(shù)量的波動狀況可以用于預(yù)測該領(lǐng)域未來的發(fā)展趨勢，對科研工作有重要意義。由圖1可知，整體上國內(nèi)外對智能調(diào)度的研究為先增后減。國內(nèi)研究的波動不大，從2009年—2014年國內(nèi)相關(guān)文章數(shù)量一直穩(wěn)定增加，之后又逐漸下降，年發(fā)文量最高為54篇，最低為27篇。國外從2009年—2018年一直處于快速增加狀態(tài)，出現(xiàn)2個較為明顯的波峰，為2012年和2018年，2018年為整個趨勢的峰值?？梢灶A(yù)測，這與國際制造業(yè)趨勢，“德國工業(yè)4.0”[26]“美國再工業(yè)化”及“中國制造2025”等因素有關(guān)，其中，中美的政策博弈可能會引發(fā)2019年另一個高峰[27-30]。從2019年國內(nèi)外趨勢來看，上半年發(fā)文量已經(jīng)超過2018年發(fā)文量的50%，下半年將會有更多的研究成果。整體上，國外年均發(fā)文量是國內(nèi)年均發(fā)文量的近3倍，研究熱度始終高于國內(nèi)，研究體系也相對完善。從國內(nèi)外的智能調(diào)度發(fā)文量的變化軌跡來看，智能調(diào)度仍是當(dāng)前的研究熱點(diǎn)。

圖1國內(nèi)外智能調(diào)度研究的文獻(xiàn)分布Figure 1 Literature distribution of intelligent scheduling research at home and abroad

3國內(nèi)外智能調(diào)度研究分析

3.1核心期刊分析

3.1.1國外智能調(diào)度的核心期刊分析

將國外搜索文獻(xiàn)數(shù)據(jù)導(dǎo)入CiteSpace軟件，把Node Type設(shè)置為Cite Journal，閾值設(shè)置為TOP20，其余參數(shù)選用默認(rèn)值，運(yùn)行CiteSpace，得到國外智能調(diào)度研究核心期刊共被引知識圖譜，如圖2所示。圖中，圓圈的顏色表示當(dāng)年被引的時間，圓圈的厚度表示被引次數(shù)，每個節(jié)點(diǎn)表示1個期刊，節(jié)點(diǎn)越大表明被引頻次越高，即影響力越強(qiáng)，節(jié)點(diǎn)之間連線的粗細(xì)表示期刊之間的共引程度。

圖2國外智能調(diào)度研究期刊共被引知識圖譜Figure 2 Co-citation knowledge map of foreign intelligent scheduling research journals

通過圖2可以得知，國外有關(guān)智能調(diào)度計(jì)量的共被引期刊來源影響力較強(qiáng)的為EURJ OPER RES、LECT NOTES COMPUT SC、ECPERT SYST APPL、IEEE T POWER SYST等期刊；近5年處于活躍狀態(tài)的有IEEE T SMART GRID、APPL SOFT COMPUT、IEEE T VEH TECHNOL、IEEE COMMUN MAG等期刊。其中，被引頻次較高的期刊有EUR J OPER RES、EXPERT SYST APPL、LECT NOTES COMPUT SC、IEEE T POWER SYST、COMPUT OPER RES，被引頻次分別為241次、187次、168次、156次、150次，這些期刊都是國外智能調(diào)度研究的重要文獻(xiàn)來源。同時，中心度較高的期刊分別為LECT NOTES COMPUT SC、IEEE T IND ELECTRON、INFORM SCIENCES、IEEE T IND INFORM，中心度分別為0.32、0.25、0.21、0.19，說明這4種期刊中智能調(diào)度領(lǐng)域的文章質(zhì)量較高，對國外智能調(diào)度的發(fā)展起著很重要的支撐作用。LECT NOTES COMPUT SC期刊的被引次數(shù)以及中心度都較高，說明該期刊在國外智能調(diào)度領(lǐng)域擁有較高的核心地位。

3.1.2國內(nèi)智能調(diào)度的核心期刊分析

以出版數(shù)量為切入點(diǎn)，對國內(nèi)智能調(diào)度的文獻(xiàn)刊載量較高的核心期刊進(jìn)行分析。梳理樣本文獻(xiàn)來源，得出國內(nèi)397篇論文共分布在百余種期刊上，52%分布在工程科技領(lǐng)域，34.7%分布在信息科技領(lǐng)域，經(jīng)濟(jì)與管理科學(xué)、基礎(chǔ)科學(xué)、農(nóng)業(yè)科技領(lǐng)域分別占6.5%、5.6%、0.6%。對載文數(shù)量較多的期刊進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)國內(nèi)智能調(diào)度的研究文獻(xiàn)集中于信息科技、工程技術(shù)和經(jīng)濟(jì)與管理這3個學(xué)科領(lǐng)域，具體部分代表期刊如表1所示。信息科技領(lǐng)域的期刊主要研究物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等新興技術(shù)和制造業(yè)的融合，探討傳統(tǒng)制造模式的升級與轉(zhuǎn)型[31-34]；在工程技術(shù)領(lǐng)域，有關(guān)智能電網(wǎng)的期刊及文獻(xiàn)數(shù)量占主導(dǎo)地位，發(fā)展智能電網(wǎng)已經(jīng)上升到國家戰(zhàn)略層面[35-39]；而經(jīng)濟(jì)與管理期刊的文章則側(cè)重于人工智能在智能車間的運(yùn)用以及新穎的建模方式，加速智能制造在企業(yè)的落地[40-43]。

表1國內(nèi)智能調(diào)度研究的載文期刊分類Table 1 Classification of papers published in domestic intelligent scheduling research

從核心期刊的分布來看，國內(nèi)外智能調(diào)度的核心期刊都主要分布在信息科技領(lǐng)域。從期刊名稱來看，國內(nèi)外研究都把人工智能、智能電網(wǎng)作為重點(diǎn)研究對象。隨著大數(shù)據(jù)、云計(jì)算等新興技術(shù)的崛起，利用計(jì)算機(jī)技術(shù)使物理世界和虛擬世界智能互聯(lián)和交互融合，成為當(dāng)前智能調(diào)度發(fā)展的趨勢。

3.2研究熱點(diǎn)分析

3.2.1國外智能調(diào)度研究熱點(diǎn)分析

將“節(jié)點(diǎn)類型”設(shè)置為關(guān)鍵詞，閾值設(shè)置為前50，其余參數(shù)默認(rèn)選擇，通過繪制關(guān)鍵詞知識圖譜(圖3)來探明國外智能調(diào)度的研究熱點(diǎn)。圖中圓圈的顏色表示關(guān)鍵詞出現(xiàn)的時間；關(guān)鍵詞圓圈的厚度表示出現(xiàn)的數(shù)量，節(jié)點(diǎn)大小表示出現(xiàn)的頻次；連線表示關(guān)鍵詞共同出現(xiàn)在同一篇文章中，連線的顏色和粗細(xì)分別表示出現(xiàn)的時間和出現(xiàn)的頻次高低。

圖3國外智能調(diào)度研究熱點(diǎn)聚類視圖Figure 3 Clustering Views of Foreign Intelligent Scheduling Research Hotspots

關(guān)鍵詞在文獻(xiàn)計(jì)量法里扮演著最重要的角色。它凝練了最核心、最關(guān)鍵的信息，是探明文獻(xiàn)之間關(guān)系的根本途徑，同時還能了解到該領(lǐng)域的研究熱點(diǎn)。對關(guān)鍵詞進(jìn)行聚類，結(jié)果如圖3所示，整理后共得到10個有效聚類(聚類字體的大小代表每個聚類的 影 響 力)，分 別 為internet of things(物 聯(lián) 網(wǎng))、machine learning(機(jī)器學(xué)習(xí))、lot streaming(批量流水線)、algorithms(算法)、microgrid(微電網(wǎng))、big data(大數(shù)據(jù))、wireless sensor networks(無線傳感器網(wǎng)絡(luò))、robotics(機(jī)器人)、smart grids(智能電網(wǎng))、transportation(運(yùn)輸)。這10個類別代表了智能調(diào)度領(lǐng)域的研究熱點(diǎn)。聚類中出現(xiàn)頻次較高的關(guān)鍵詞：system(系 統(tǒng))、optimization( 優(yōu) 化)、scheduling(調(diào)度)、algorithm(算法)、model(模型)、management(管理)、smart grid(智能電網(wǎng))、machine learning(機(jī)器學(xué)習(xí))、intelligent transportation(智能交通)。這些關(guān)鍵詞表明：智能制造通過工業(yè)互聯(lián)網(wǎng)實(shí)現(xiàn)智能機(jī)器間的互聯(lián)甚至人機(jī)互聯(lián)。這是互聯(lián)網(wǎng)向工業(yè)的延伸與擴(kuò)展，表現(xiàn)為通過大數(shù)據(jù)技術(shù)充分挖掘制造潛力，而不僅限于企業(yè)間的協(xié)同，從而實(shí)現(xiàn)人、機(jī)、網(wǎng)的高度融合[44-48]。

機(jī)器學(xué)習(xí)作為人工智能研究領(lǐng)域的主要發(fā)展障礙和發(fā)展方向，為圖中最大的聚類。這也表明了機(jī)器學(xué)習(xí)在人工智能研究領(lǐng)域的核心地位。機(jī)器學(xué)習(xí)涵蓋的內(nèi)容比較豐富，涉及計(jì)算機(jī)科學(xué)、心理學(xué)、認(rèn)知科學(xué)等各種學(xué)科，綜合性較強(qiáng)[49-52]。隨著人工智能的發(fā)展，學(xué)者們逐漸發(fā)現(xiàn)其實(shí)人類才是最好的學(xué)習(xí)對象，比如，遺傳算法、神經(jīng)網(wǎng)絡(luò)。機(jī)器學(xué)習(xí)的重點(diǎn)為學(xué)習(xí)，即讓計(jì)算機(jī)模仿人的學(xué)習(xí)行為，通過自學(xué)習(xí)去獲取知識和技能，不斷改善性能，從而具備一定程度的智能。機(jī)器學(xué)習(xí)研究的核心在于如何使機(jī)器通過辨識和利用現(xiàn)有知識來習(xí)得新知識和新技能。

智能電網(wǎng)是人工智能的重要應(yīng)用領(lǐng)域之一，為圖中大小僅次于機(jī)器學(xué)習(xí)的聚類。智能電網(wǎng)是以高級機(jī)器學(xué)習(xí)理論、大數(shù)據(jù)、云計(jì)算為依托技術(shù)，將現(xiàn)代信息系統(tǒng)融入傳統(tǒng)電網(wǎng)的產(chǎn)物，大大提高了電網(wǎng)的可控性與可觀性水平，是解決傳統(tǒng)電力系統(tǒng)能源利用率低、互動性差、安全穩(wěn)定分析困難等問題的根本途徑。智能電網(wǎng)加速了能源“4.0”轉(zhuǎn)到能源“5.0”的升級，是能源與電力行業(yè)發(fā)展的必然趨勢[53-54]。3.2.2國內(nèi)智能調(diào)度研究熱點(diǎn)分析

用同樣方法繪制國內(nèi)智能調(diào)度領(lǐng)域研究熱點(diǎn)知識圖譜，如圖4所示。整理后得到6個有效聚類，分別為“智能調(diào)度”“資源調(diào)度”“智能電網(wǎng)調(diào)度控制系統(tǒng)”“遺傳算法”“調(diào)度”“電力系統(tǒng)”，其聚類關(guān)鍵詞主要有：“智能調(diào)度”“智能電網(wǎng)”“云計(jì)算”“分布式一體化建?！薄斑z傳算法”“電動汽車”“多智能體”“調(diào)度控制系統(tǒng)”“數(shù)據(jù)挖掘”“公共交通”等。智能制造是在數(shù)字化制造和網(wǎng)絡(luò)化制造基礎(chǔ)上發(fā)展而來的，數(shù)字制造與網(wǎng)絡(luò)制造是智能制造的必要條件。智能制造以產(chǎn)品制造全流程和全生命周期為作用對象，強(qiáng)調(diào)運(yùn)用新一代信息通信技術(shù)和人工智能，將人工智能賦于生產(chǎn)運(yùn)作系統(tǒng)，使其能夠自感知、自決策和自執(zhí)行。智能制造的核心在于“智能”。國內(nèi)在“互聯(lián)網(wǎng)+”和“中國制造2025”政策的驅(qū)動下，大力發(fā)展智能制造，智能調(diào)度作為智能制造的重要依托技術(shù)，處于核心地位。國內(nèi)對智能調(diào)度的研究，在模型建立和智能算法方面較為成熟[55-58]，而且云計(jì)算、機(jī)器學(xué)習(xí)等新興技術(shù)的理論研究成果也較為豐富[38,59]。

圖4國內(nèi)智能調(diào)度研究熱點(diǎn)聚類視圖Figure 4 Clustering view of domestic intelligent scheduling research hotspots

3.3研究前沿分析

3.3.1國外智能調(diào)度研究前沿分析

突現(xiàn)詞是指在某個時間段出現(xiàn)的高頻關(guān)鍵詞。與關(guān)鍵詞分析相比，突現(xiàn)詞分析可以捕捉到研究領(lǐng)域拐點(diǎn)和熱點(diǎn)的出現(xiàn)時段。因此，應(yīng)用CitiSpace軟件對樣本文獻(xiàn)進(jìn)行共詞分析、建立突現(xiàn)詞遴選參數(shù)，最后通過分析突現(xiàn)詞的時限軌跡可以清晰地了解智能調(diào)度的研究軌跡。對國外智能調(diào)度領(lǐng)域的研究前沿分析主要通過對近10年突現(xiàn)詞的變化展開。用CiteSpace對樣本文獻(xiàn)進(jìn)行處理，得到表2。

根據(jù)表2所展示的熱點(diǎn)研究問題，結(jié)合當(dāng)年的相關(guān)文獻(xiàn)資料，整理得到智能調(diào)度的研究熱點(diǎn)演化的2個階段。

1)2009年—2012年。該階段柔性作業(yè)車間調(diào)度問題成為國外研究的側(cè)重點(diǎn)[48,60-62]。FJSP的目標(biāo)可以分為多目標(biāo)和單目標(biāo)，常見的有最大最小完工時間、整體加工時間最小、成本最低等；FJSP的建模方法包括數(shù)學(xué)規(guī)劃法、圖和網(wǎng)絡(luò)法、仿真法等；FJSP的優(yōu)化方法有：基于運(yùn)籌學(xué)的精確方法和基于人工智能的近似方法。這一階段的研究推動了FJSP的理論與實(shí)踐發(fā)展。

2)2013年—2019年。該時期為智能制造階段。2013年4月，德國在漢諾威工業(yè)博覽會正式推出“工業(yè)4.0”戰(zhàn)略，旨在通過大力發(fā)展信息通信技術(shù)，應(yīng)用信息-物理系統(tǒng)促使制造業(yè)智能化轉(zhuǎn)型。同年9月，美國宣布重新成立“AMP指導(dǎo)委員會2.0”，并于2014年發(fā)布《振興美國先進(jìn)制造業(yè)》旨在通過創(chuàng)新領(lǐng)先和發(fā)展工業(yè)互聯(lián)網(wǎng)來引領(lǐng)美國制造業(yè)在全球的主導(dǎo)地位。而日本則在2015年初推出了《機(jī)器人新戰(zhàn)略》希望通過發(fā)展機(jī)器人技術(shù)來應(yīng)對全球制造業(yè)變革。多品種、小批量的生產(chǎn)方式對制造業(yè)提出了更高的要求。為了更好地響應(yīng)市場，智能制造成為各國發(fā)展的目標(biāo)[53]，研究領(lǐng)域包括智能電網(wǎng)、智能制造、智能交通、智能物流、智能城市等。以大數(shù)據(jù)為驅(qū)動力的智能制造，數(shù)據(jù)的收集、處理和儲存成為當(dāng)今亟需解決的關(guān)鍵問題。

表2國外引用突發(fā)最強(qiáng)的前20個關(guān)鍵詞Table 2 Top 20 keywords with the strongest citation bursts

3.3.2國內(nèi)智能調(diào)度研究前沿分析

同樣對國內(nèi)近10年樣本文獻(xiàn)用CiteSpace進(jìn)行處理，并對突現(xiàn)詞的結(jié)束時間進(jìn)行排序，結(jié)果如表3所示。

表3國內(nèi)引用突發(fā)最強(qiáng)的前20個關(guān)鍵詞Table 3 Top 5 keywords with the strongest citation bursts

國內(nèi)智能調(diào)度的研究熱點(diǎn)及演化分為2個階段。

1)2009年—2015年。突現(xiàn)詞有“調(diào)度”“智能電網(wǎng)調(diào)度控制系統(tǒng)”；突現(xiàn)詞解析：該階段為信息化與工業(yè)化融合階段。黨的十七大提出“大力推進(jìn)信息化與工業(yè)化融合，促進(jìn)工業(yè)由大變強(qiáng)，振興裝備制造業(yè)”，亦即提出“兩化融合”戰(zhàn)略，標(biāo)志著“兩化融合”的開啟。2010年，全國已基本實(shí)現(xiàn)信息化，信息產(chǎn)業(yè)成為國民經(jīng)濟(jì)的重要支撐部分。隨后，我國為了應(yīng)對世界范圍內(nèi)環(huán)境惡化、能源匱乏以及國內(nèi)電力行業(yè)發(fā)展的問題，提出了“堅(jiān)強(qiáng)在輸電網(wǎng)、智能在配電網(wǎng)”的發(fā)展指向，旨在實(shí)現(xiàn)配電網(wǎng)在正常運(yùn)行狀態(tài)下完善的優(yōu)化、檢測、保護(hù)、控制和非正常運(yùn)行狀態(tài)下的自愈控制，最終為電力用戶提供安全、可靠、優(yōu)質(zhì)、經(jīng)濟(jì)的電力供應(yīng)服務(wù)[8,63]。

2)2015年—2019年。突現(xiàn)詞有“調(diào)度控制系統(tǒng)”“電動汽車”“云計(jì)算”；突現(xiàn)詞解析：該階段為信息化引領(lǐng)工業(yè)化階段，所涉及的關(guān)鍵領(lǐng)域及技術(shù)有物聯(lián)網(wǎng)、商業(yè)智能、智能產(chǎn)品、工業(yè)物聯(lián)網(wǎng)、工業(yè)4.0等。2015年《國務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動的指導(dǎo)意見》指出推動互聯(lián)網(wǎng)與制造業(yè)融合，大力發(fā)展智能制造。同年《中國制造2025》將推進(jìn)智能制造作為制造業(yè)發(fā)展的主攻方向?！吨悄苤圃彀l(fā)展規(guī)劃(2016 — 2020年)》指出發(fā)展智能制造對推動中國制造業(yè)供給側(cè)結(jié)構(gòu)性改革，實(shí)現(xiàn)制造強(qiáng)國具有重要戰(zhàn)略意義，要將發(fā)展智能制造作為長期堅(jiān)持的戰(zhàn)略任務(wù)。典型化事實(shí)和官方一系列重要文件均說明，智能制造是未來中國制造業(yè)發(fā)展的重要方向，也是智能化發(fā)展的高級階段。而智能調(diào)度作為智能制造重要的賦能工具，可以快速響應(yīng)市場變化、提高生產(chǎn)效率和滿足顧客多元化需求[64]，是制造系統(tǒng)運(yùn)行優(yōu)化的核心。

4結(jié)語

綜上分析，提取出當(dāng)前智能調(diào)度領(lǐng)域未來的4個發(fā)展趨勢：主動調(diào)度與動態(tài)調(diào)度、分布式協(xié)同調(diào)度、基于工業(yè)物聯(lián)網(wǎng)的實(shí)時生產(chǎn)調(diào)度、新型群智能優(yōu)化算法。

1)主動調(diào)度與動態(tài)調(diào)度。主動生產(chǎn)調(diào)度是指在生產(chǎn)過程出現(xiàn)異常之前，通過對比分析裝配在機(jī)器上的各種傳感器收集到的實(shí)時數(shù)據(jù)與設(shè)備歷史運(yùn)行數(shù)據(jù)，提前預(yù)測系統(tǒng)將要發(fā)生的故障，并在此基礎(chǔ)上，對剩余的正常設(shè)備進(jìn)行的重調(diào)度。動態(tài)調(diào)度是指在實(shí)時生產(chǎn)環(huán)境具有高不確定性和擾動性情況下所進(jìn)行的實(shí)時調(diào)度以及在生產(chǎn)現(xiàn)場發(fā)生故障后所進(jìn)行的調(diào)度。從時間軸來看，主動調(diào)度屬于事前控制，而動態(tài)調(diào)度屬于事中控制。主動調(diào)度系統(tǒng)和動態(tài)調(diào)度系統(tǒng)在生產(chǎn)過程中始終處于實(shí)時交互狀態(tài)。綜合運(yùn)用主動調(diào)度和動態(tài)調(diào)度策略的具體運(yùn)作流程如圖5所示。首先，主動生產(chǎn)調(diào)度基于歷史數(shù)據(jù)，結(jié)合數(shù)據(jù)挖掘、深度學(xué)習(xí)等技術(shù)，進(jìn)行歷史訂單回溯、參數(shù)學(xué)習(xí)及關(guān)聯(lián)，準(zhǔn)確找出導(dǎo)致異常情況發(fā)生的信號、特征、行為，通過實(shí)時生產(chǎn)數(shù)據(jù)和歷史數(shù)據(jù)的對比，運(yùn)用貝葉斯網(wǎng)絡(luò)推理，預(yù)測出訂單趨勢、資源配置趨勢以及加工能耗趨勢，提前發(fā)現(xiàn)異常，生成主動生產(chǎn)決策，有效規(guī)避生產(chǎn)事故、提高排產(chǎn)效果。接著，動態(tài)調(diào)度針對車間作業(yè)排序中出現(xiàn)的突發(fā)狀況，比如緊急插單行為，將實(shí)時數(shù)據(jù)導(dǎo)入智能決策終端，對訂單價值進(jìn)行估計(jì)，同時對車間內(nèi)的設(shè)備配置狀態(tài)和生產(chǎn)能力進(jìn)行查詢，得到設(shè)備服務(wù)能力估算和設(shè)備?？繐p益估算，把估算的結(jié)果反饋到智能終端得到多個實(shí)時決策，對各種方案進(jìn)行虛擬仿真，結(jié)合生產(chǎn)的實(shí)際情況，確定最優(yōu)決策。

2)分布式協(xié)同調(diào)度。分布式協(xié)同調(diào)度是基于調(diào)度云服務(wù)平臺，通過多個分布式調(diào)度中心智能互聯(lián)，具有高并發(fā)能力、高吞吐能力、高計(jì)算能力和高可靠性的制造系統(tǒng)，運(yùn)作流程如圖6所示。分布式協(xié)同制造的關(guān)鍵在協(xié)同，各個分布式制造車間不僅要做到算法協(xié)同、個體協(xié)同、參數(shù)協(xié)同、目標(biāo)協(xié)同，同時還要結(jié)合計(jì)算智能和特征分析技術(shù)，對分調(diào)度中心進(jìn)行群智能多搜索操作和知識型搜索，最后將獲得的應(yīng)用、數(shù)據(jù)、信息在云平臺上進(jìn)行整合，利用知識驅(qū)動的協(xié)同智能算法在云平臺進(jìn)行調(diào)度，實(shí)現(xiàn)制造企業(yè)低投入、高產(chǎn)出的目標(biāo)。

3)基于工業(yè)物聯(lián)網(wǎng)的實(shí)時生產(chǎn)調(diào)度。隨著物聯(lián)網(wǎng)的興起，多種智能生產(chǎn)設(shè)備可借助物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)設(shè)備與設(shè)備之間的通信，即M2M通信?；诠I(yè)物聯(lián)網(wǎng)的實(shí)時生產(chǎn)調(diào)度運(yùn)作流程如圖7所示。利用安裝在車間的智能傳感器和監(jiān)控?cái)z像頭，對生產(chǎn)現(xiàn)場進(jìn)行數(shù)據(jù)采集，掌握車間的設(shè)備、物料、人員、在制品、工具工裝情況，再對數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析、融合處理以及可視化操作，得到車間實(shí)時的生產(chǎn)進(jìn)度、執(zhí)行狀態(tài)、生產(chǎn)異常和實(shí)時擾動情況。綜合這4個方面對生產(chǎn)過程進(jìn)行分析評估，最后在虛擬的總調(diào)度平臺進(jìn)行優(yōu)化并生成實(shí)時生產(chǎn)調(diào)度決策，達(dá)到改善生產(chǎn)現(xiàn)場的效果。

4)新型群智能優(yōu)化算法。群智能是一種具有自組織、自適應(yīng)特征的人工智能模式，能體現(xiàn)出整個群體的智能特性。群智能優(yōu)化算法對解決復(fù)雜問題具有靈活性、魯棒性、自組織性等優(yōu)點(diǎn)。經(jīng)典的群智能優(yōu)化算法有蟻群優(yōu)化算法和粒子群優(yōu)化算法。蟻群優(yōu)化算法求解時間較長，粒子群優(yōu)化算法容易早熟收斂，不適合解決多峰高維問題。因此，國內(nèi)外學(xué)者相繼提出了新型群智能優(yōu)化算法，比如，細(xì)菌覓食算法、混合蛙跳算法、布谷鳥搜索和頭腦風(fēng)暴算法。相比經(jīng)典算法，新型智能優(yōu)化算法的參數(shù)更少、求解速度更快、全局搜索能力更強(qiáng)，更適合解決高維度、多目標(biāo)的調(diào)度優(yōu)化問題。

圖5應(yīng)用主動調(diào)度與動態(tài)調(diào)度策略的車間運(yùn)作流程Figure 5 Workshop operation process using active scheduling and dynamic scheduling strategies

圖6 分布式生產(chǎn)協(xié)同調(diào)度運(yùn)作流程Figure 6 Distributed production collaborative scheduling operation process

圖7 基于工業(yè)物聯(lián)網(wǎng)的實(shí)時生產(chǎn)調(diào)度運(yùn)作流程Figure 7 Real-time production scheduling operation process based on the industrial internet of things