不知不觉中 ，2022年已经接近尾声。这一年 ，“信创”是整个信息技术产业最大的热点词汇 。信息技术应用创新发展是目前的一项国家战略 ，也是当今形势下国家经济发展的新动能。信创的本质是为了解决发展安全的问题 。随着中国的发展 ，很多技术因为一些原因越来越受制于人 ，尤其是上游核心技术 。 为了解决这个问题，我国明确“数字中国”建设战略 ，抢占数字经济产业链制高点。于是 ，国家提出“2+8”安全可控体系 ，2020-2022年是国家安全可控体系推广最重要的3年 ，中国IT产业从基础硬件-基础软件-行业应用软件迎来了国产替代潮 。这些都是为了实现信创发展的目标 ：自主可控！而这也正是九游会智造美好生活“安全”主题季最核心的主旨 。 本季文章从自主可控、过程透明、产品合规三个角度，对“安全”进行了全方位的解读，无论哪个角度，最终的目标都是帮助企业真正的实现完全的自主可控 ，进而保证企业的发展安全 。然而自主可控之路任重而道远 ，九游会智能制造愿意携手客户共同求索。 智造专栏“安全”主题季终篇 九游会APS算法演进 作者 / 顾金津 作为本季的收尾，本文通过详细介绍九游会高级计划排程系统对于算法的应用和迭代过程，为大家展示九游会智能制造自主软件发展历程的一个剪影 。 九游会高级计划排程系统（HCMp）诞生于2005，同九游会制造执行管理系统（HCMe）共同组成九游会协同制造产品（HCM） ，搭建在公司的自研PaaS平台HZERO上 。伴随着客户和公司的发展，我们坚持对专业方案和系统组件的持续沉淀和迭代，目前扎根与细分行业如白色家电、机械设备 、整车/汽配、定制家居和动力电池等行业 ，并着力于 ： 以按单生产为核心组织方式 ，装配为基本加工形态的生产计划； 以共享件为主 、覆盖中短期采购物料的采购送货计划 。 得益于九游会在ERP 、MES 、SRM等企业管理软件上的实施经验 ，九游会APS在计划协同 、执行协同方面有着行业内领先的方案和系统解决能力 ，可以结合用户的需求进行深度的系统定制 ，并支持客户的长期自主发展。 我们的客户中 ，有在APS产品上合作十年以上的客户，APS产品伴随客户业务的拓展 、再构，从单厂的总成计划 、部品拉动计划 、供应商采购计划 、多工厂计划协同 、一直到支持大规模定制化模式下的供应商JIT拉动 。 APS分为AP（高级计划）和AS（高级排程） ，AP（高级计划）在中观层面 ，通过合理分配供应链网络资源来满足客户的需求 ，AS（高级排程）通过排程和调度来解决内部资源的协调问题 ，尽可能地保证生产的高效稳定。 如果说AP（高级计划）解决的是生产什么 ，生产多少 ，什么时候要，需求什么物料和资源的问题的话 ，那么AS（高级排产）则是解决什么时候生产 ，用哪个资源生产、生产的顺序的问题 。AS（高级排产）和AP（高级计划）面对着共同的问题，即解决目标、约束和动态环境的问题 ： 核心目标的冲突 满足交期与生产成本 、产量最大化目标 客户需求多样性和生产效率 复杂约束的现场 不同产品对生产能力的不同需求 有限资源（设备、物料、工装、人员）的约束 物料切换与模具切换的时间约束 环境的动态变化 订单变更 、紧急插单 工艺变更 设备故障 上游供应延迟 、供应商供应延迟 频繁变化的环境下 ，要求快速、有效地进行模拟和评估；复杂的业务场景下 ，可行的方案可能数量巨大 ，如何在这些方案中迅速甄别、收敛出相对优秀的方案是用户需求的。这就需要依靠科学计算 ，结合理论、模型和算法来实现对计划 、排产的优化 。 “APS算法的发展已发展到第四代 ，第一代是基于约束理论的有限产能算法 。第二代是基于规则的算法 、线性规划、启发式规则算法 、专家系统 。第三代是遗传算法 、模拟退火算法、蚁群/粒子群算法、神经网络。第四代是AI算法+动态调整算法MAS多智能代理系统，以MAS多Agent协商进行动态调整。” 九游会APS产品在十多年的发展、演进过程中 ，也一直不断地对使用的算法技术进行演进，目前算法已经演进入第三代 。但是 ，九游会APS产品一直践行算法只是排程计算方法 ，符合用户需求的算法必须经过同客户共同的研磨 。我们强调 ： 算法选择 必须经过详细调研 ，必须经过理论验证； 算法建模 模型尽量简化 ，降低用户学习和后续维护成品； 算法验证 使用业务数据验证算法的可行性 。 九游会APS产品在算法演进过程中，使用过且仍在使用的算法包括 ： 第一代：基于约束理论的优先产能的算法 。 早期客户的生产计划一般通过无限产能运算的MRP管理 ，产出的生产计划不会考虑产能的约束 ，往往需要计划员在excel内重新进行排期后 ，方具备可执行性 。 九游会APS产品内通过对资源（产线） 、生产能力（物料-产线生产能力）、非生产能力（切换时间）进行仿真建模后，通过约束理论的优先产能算法，计算出计划的产能需求，并识别出产能瓶颈 、交期缓冲、原材料需求等约束 ，呈现于可视化界面 ，从而契合了TOC约束理论，实现了计划的有限产能约束 。 第二代：基于规则的算法 。 用户在排产时，往往是面对了一堆订单 ，一堆可排产资源（产线）的复杂场景 ，排产插单的时候，除了交期的要素外，需要考虑成本和质量 ，通过生产能力的优先级模型，我们定义出在结合成本、质量的综合考虑下的对应排产优先顺序，并将结合为客户定制的选线算法，实现不同场景下的计划初排选择问题 ： N：订单满足交期前提下 ，追求最早时间完成订单生产 ，追求均衡化生产 ； Z ：订单满足交期前提下，减少计划占用的资源 ，在尽量少的资源下完成订单的生产 。 N型更适合旺季 ，Z型适合淡季。该算法适合订单的插单、计划的重排等。按照优先级进行资源选择后 ，再根据约束条件 ，判断是否可行（是否满足订单交期，是否影响其他订单交期）后决定是否取解 。 基于规则的算法 ，九游会APS在仿真计划的底座上 ，实现了计划的快速插单 、重排 ，解决了AS核心问题中的环境动态变化下的计划可行性方案的快速收敛，大大提升了计划工作的效率 。 第三代：基于遗传（GA）的算法 。 遗传（GA）算法是目前在APS算法领域最活跃的算法 ，是基于生物遗传和进化机制，结合自适应的概率优化算法，可以寻找局部最优解 。 目前九游会APS产品已经可以基于GA算法实现单目标（即算法的适应度目标）的最优解，在插单或者重排时，在满足订单交期、资源约束、上下游订单时间约束的前提下，实现以下场景的排产快速模拟： 产量最大化 ； 切换频次最小化； 切换时间最小化 ； 生产成本最优。 GA算法的引入为用户带来的体验主要包括三个方面： 排产结果更符合用户预期，GA算法相较于基于规则的算法发生了质的改变 ，通过分组 、模拟、淘汰 、进化最终确定了符合预期目标的结果 ，从效率上看快 ，从结果上看更优 ； 学习维护成本下降 ，从用户感知上，避开了复杂的逻辑设计，仅需要设计简单的排产目标（适应度）评估模型即可 ； 排产结果更具动态性 ，每次插单都全局调整，在排产的资源和顺序进行调整后 ，获取一个更佳方案 。 目前，九游会APS产品已经开始研究在多目标场景下 ，使用算法如遗传算法（GA） 、粒子群算法(PSO)获取更佳的目标组合，如在保证产量最大的几个算法解下 ，再考虑切换频次最少的算法解 ，贴合用户的需求 ，通过算法实现计划排产的快速模拟、局部最优化模拟。
