【译】OptimalCore供应链优化系列文章（一）
工厂计划和优化
这是一系列帖子中的第一个，这些帖子挑战了一个共同的概念，即线性编程解算器在处理通常考虑数千个制造订单和复杂多步骤路由的工业规模工厂规划流程时通常不太合适。这些发现是我们五年来在现实商业环境中处理此类问题的结果。在这里，我们采用系统的方法，以分析使用正式优化需求、这一过程中出现的挑战以及克服这些挑战的方法。
工厂计划是一个通用术语，用于描述各个行业的各种问题。在备货型生产模式下，它用于描述通常由需求预测驱动的库存订单的规划。在这样的环境中，通常意味着一次考虑单个制造地点，这意味着如果公司经营多个工厂，则需要部署多个工厂计划方案。这是因为采购决策已经根据与供应商和客户的长期协议在更聚合的主计划解决方案中做出。
另一方面，在订货型生产模式下，工厂计划通常是指实际客户订单的计划。在这种情况下，在知道客户订单的全部详细信息时，通常需要尽可能晚地做出采购决策。为此，工厂计划方案可能覆盖多个实际制造地点。实际上，在复杂的制造环境中，地点之间有许多干预和相互竞争的关系，在整个组织中应用一个工厂计划方案并不罕见。这在金属行业通常遇到。
工厂计划方案在制造工艺模型的不同细节程度上也有很大差异，客制化程度很高，取决于所考虑的制造工艺的复杂性，以及指导实际车间生产的现有的调度系统和特殊配置。通常，工厂规划解决方案中的细节级别会随着制造流程的复杂性而增加，并且随着复杂调度系统的存在而降低。
工厂计划方案负责给出可用的车间生产计划。这通常分两步实现。在第一步中，使用自动化算法来给出初步计划。在第二步中，计划人员对计划进行手动调整，以改进计划。这两个步骤孰重孰轻有许多争论，人们根据他们的角色和责任有不同的选择。我们的经验表明，在复杂的制造环境中，虽然人工调整的重要性不可低估，但能够自动给出较高质量的计划也是非常关键的。
目前可用的大多数工厂计划工具都由依赖于启发式算法组成。启发式算法比较简单，能够为求解困难的难题提供够好但不一定最佳的解决方案。
实际上，启发式方法应具有以下两个关键能力：
- 可行性，这意味着能够找到无需进行大量更改即可实现的解决方案
- 较高的质量，意味着能够找到可接受的解决方案
除了这些关键能力之外，启发式方法通常有一些有趣的特点，使其具有吸引力：
- 简单，意思是启发式通常遵循一个简单的，易于掌握的搜索逻辑，这让人想起一个简单的指令，一个寻宝游戏（"直走，找到树，向左走,.."）
- 可配置性，这意味着启发式通常提供许多选项来更改搜索规则，允许不断更改试验和错误测试
- 速度，通常需要几分钟的就可以得到一个解决方案
虽然这些特征很重要，但只有当启发式能够提供其两个关键能力时，这些特征才有意义。
在下面的帖子中，我们将集中注意如何确定启发式方法正在执行。我们还将看到上述特征如何使这一过程更具挑战性。
工厂计划、启发式和优化的挑战
本系列的介绍文章中，我们描述了工厂规划问题的广泛范围。我们还介绍了启发式算法的关键所需能力和补充特性，这些特性通常由高级规划系统 （APS） 使用，以便为此类问题提供自动化解决方案。这些能力和特征总结如下图所示。
在这篇文章中，我们把注意力集中在启发式算法应始终提供两个关键能力上;可行性和良好的解决方案质量。
解决方案的可行性在很大程度上取决于我们定义工厂规划问题的准确性程度。问题定义的不准确将导致更小或更大的不可行问题。例如，如果将一个操作 5 小时 5 分钟的前置时间(lead time)近似为 5 小时，则包含此操作**状态的所有方案中都将出现对应的 5 分钟的不可行。方案负责人（职能和技术）有责任定义和微调所需的准确性程度，同时考虑到启发式求解器的算力和可接受的不可行程度。
问题描述过于陈旧也可能导致不准确。例如，如果工厂规划描述中漏掉了一个新车间的约束，则会导致模型不准确，并可能导致解决方案不可行。良好的沟通和主动维护工厂规划模型将最大限度地减少此类问题。
目前大多数 APS 中使用的启发式方法包含了足够丰富的细节，以便准确描述复杂的工业规模规划问题。但是，对于超出或位于规划范围边界的计划要求，可能需要近似。这种近似会导致不可行，但大多数时候被认为是可接受的，通常在更详细的计划/排序阶段解决。
方案质量通常是指启发式方法查找用户可接受的解决方案的能力，请记住，根据定义，启发式解决方案旨在提供"良好"但不一定是最佳解决方案。请注意此定义的模糊性;用户根据一些主观标准决定什么是可以接受的或不是可以接受的，包括以下几点：
- 现有系统或流程的质量
将被新 APS 替代的现有系统或流程所提供的方案的质量可用作质量指标。 事实上，如果现有的系统或流程质量够好，那么用户可能会对新 APS 的启发式有很高的期望。不幸的是，在大多数情况下，公司决定通过投资一个新的 APS 的过程，正是因为旧的系统是不够的！
- 公司的主要绩效指标 （KPI）
管理层的期望有时被用作判断 APS 启发式解决方案质量的指南。但是，这可能会不准确，因为公司层面的KPI是业务的逐步协调的结果体现。因此，尽管 APS 在这个过程中可以发挥重要作用，但还有其他一些与技术无关的因素影响着公司的 KPI，包括人员、业务流程、市场等。实际上，在高级 APS 的大规模实施中，通常使用不同的指标来针对公司 KPI 和计划方案的性能指标，有时称为计划绩效指标 （PPI）。PPI 由相应的规划部门定期进行评估和微调。而KPI 通常是较长时间周期在公司范围进行评估。
- 最佳实践
另一类主观标准可从公开信息的“最佳实践”的中得到。多数时候，由于每个公司都面临着特定的挑战，此类实践无法直接用到公司的规划流程中。此外，此类信息通常仅是高层次的描述，很难获取到 APS 具体实现的细节。
综上关于大多数时候，我们没有一个明确、客观的结论- APS 启发式解决方案的质量到底如何。但是当出现以下一种或两种特征时，可能它的表现会不及预期：
- 复杂、不可分解的制造流程显著增加了由此产生的规划问题的复杂性。要查找的一些特征属于关键资源，涉及到多个工艺、可重入的工艺路线、低可用日程安排等等
- 即使使用最先进的启发式算法，多个目标互相冲突也是个问题。例如，当我们的唯一目标是尽量减少订单延迟时，可以预期会有良好的性能，但如果同时要求关键资源最小化产能利用率，或在关键位置最小化库存为附加目标的情况下，会出现方案质量问题。
- 具有全局优化特征的特定需要功能可能与启发式算法有冲突。例如，一些启发式算法将计划问题分解为两个步骤，一个物料分配步骤，其中分配物料并创建制造订单，然后是产能平衡步骤，解决产能过载问题。如果需要同时考虑物料和产能，这种启发式方法无法处理复杂的交替选择要求。
- 随着规划问题规模的增加，解决方案质量也趋于恶化。复杂性会随问题规模急速增长。
我们在项目中遇到的一个有趣的点是，启发式通常具有简单性、可配置性和速度的三个特征通常往往会推迟“真相时刻”，即发现和承认启发式解算器有性能问题的时刻。由于启发式解决方案算法的简单性，人们可能低估了实际问题的复杂性。此外，由于其高可配置性和速度，通常都需要长时间的微调。虽然在某些情况下，这种过程可能是有益的，但我们应该仔细地分析早期表现不佳的迹象，确保在浪费太多时间之前，以及在人们对于 APS 实施成功的信心被破坏之前，采取必要的行动。在必将到来的真相时刻到来之前，进行详尽的测试以达到实现最小改进的门槛。
在本文的末尾，我们提出两个基本问题：
- 是否有方法可以准确衡量现代 APS 在工业规模应用中使用的启发式解决方案的质量？
- 能否实现提高交付解决方案质量的最终目标？