1. 课程导入与生产排程问题界定

在制造企业里，经常能听到这样的对话：“这个订单明天必须出货”“三号线今天缺两个人”“这批料下午才到，先做别的”。这些看似零散的现场决策，背后其实都指向同一个问题——在有限的时间、设备、人员和物料条件下，把哪些任务安排在什么时间、什么资源上执行。这正是生产排程要回答的核心问题。本课程围绕“数学建模与优化”展开，目标不是记住几个算法名称，而是建立一套从业务问题到数学模型、再到求解与落地的完整思维链条。

学习目标与课程定位

学完本课程，你应当能够做到三件事：第一，准确界定问题，把一个模糊的“排产不顺”拆解为可建模的决策变量、约束条件和目标函数；第二，选择合适的模型与算法，针对单机、并行机、流水车间、作业车间等不同结构，判断该用精确方法、启发式还是元启发式；第三，评估与解释结果，看懂甘特图、完工时间、拖期等指标，并能判断一个排程方案是否真的可执行。课程后续会依次覆盖问题分类、数学规划建模、经典调度模型、启发式与智能优化算法、多目标权衡以及案例落地，本章则负责把“地图”先铺开。

生产排程的定义与边界

生产排程（Production Scheduling）是指在已知的生产资源与工艺路线约束下，为一批待加工任务确定加工顺序、开始时间和所占资源的决策过程。它通常以“任务—资源—时间”三元组为基本描述：任务有工艺路线和加工时长，资源有设备、模具、人员，时间则体现为班次、交期和可用工时。

需要特别强调边界。排程不等于生产计划：计划回答“未来一个月做多少、备多少料”，粒度粗、周期长；排程回答“今天这台设备先做哪张工单”，粒度细、周期短。排程也不等于车间调度执行：调度更偏向实时派工与异常响应，而排程给出的是执行前的基准方案。可以用一个简单的层级关系来理解：需求预测 → 主生产计划（MPS）→ 物料需求计划（MRP）→ 生产排程 → 车间派工与执行。越往下，时间粒度越细，约束越具体，不确定性也越强。

三类典型制造场景的排程痛点

离散制造以零部件装配为特征，如电子、汽车、机械。其排程难点在于工艺路线长、工序间存在前后约束，且同一零件可能有多台可选设备。典型痛点是“作业车间”式的资源冲突：一台关键设备被多张工单争抢，换型时间又不可忽略。例如某装配车间有 3 台贴片机、20 张工单，每张工单需经过 2～4 道工序，换线一次约 40 分钟，排程稍有不慎就会造成设备空转与交期延误并存。

流程制造如化工、食品、冶金，物料连续流动，工序顺序基本固定，排程更关注批量、切换清洗和产能瓶颈。其痛点是“换产清洗”代价高、中间库存有保质期限制，且设备一旦停机再启动成本大。这类问题常被建模为流水车间或批量调度问题。

混合模式则兼有两者特征，例如既做标准件批量生产、又接定制订单的工厂。痛点是两类任务共享资源、优先级难以统一，排程需要在“保交期”和“保效率”之间反复权衡。理解场景差异，是选择模型结构的第一步。

建模与优化在排程中的角色

很多现场排程靠老师傅经验加 Excel，短期可行，但面对几十张工单、多资源约束时，人脑很难保证方案质量，更无法说明“为什么这样排更好”。数学建模的价值在于把排程问题显式化：用决策变量表示“工单 i 是否在设备 k 的第 j 个位置加工”，用约束表达工艺顺序、设备不重叠、交期要求，用目标函数表达最小化最大完工时间或总拖期。优化算法则负责在可行域中搜索较优解。

举个可手算的小例子帮助建立直觉：两台设备 A、B，三张工单 J1、J2、J3，均需先 A 后 B，加工时长（A, B）分别为 J1(3,2)、J2(2,4)、J3(4,1)。若按 J1→J2→J3 顺序，A 上完工时刻为 3、5、9，B 上依次为 5、9、10，最大完工时间为 10；若调整为 J2→J1→J3，A 完工 2、5、9，B 完工 6、7、10，最大完工时间仍为 10；而 J1→J3→J2 时，A 完工 3、7、9，B 完工 5、8、12，反而变差。可见顺序对结果影响显著，而这只是 3 张工单的规模——真实场景的搜索空间呈阶乘级增长，这正是需要算法而非直觉的原因。上述数值为教学示例，用于说明排序影响，并非实测数据。

本课程后续将沿着“问题分类—建模—求解—评估—落地”的主线推进。本章的任务是让你先建立全局视角：排程是计划与执行之间的关键桥梁，它既受上游计划约束，又为下游执行提供基准；而数学建模与优化，正是让这座桥梁从“凭经验”走向“可计算、可解释、可改进”的核心工具。