我們研究的對象是真實的工廠。針對這個真實的工廠原型去研究它的運營規律、管理機制、制造過程的管理控制。在研究中我們對工廠直接實施改造控制，其風險和代價很大。這樣我們需要根據原型建立一個模型進行研究。原型和模型的關系就是“digital twin”。模型的有效性非常重要。如果建立的模型不能反映系統原型的基本特征，研究的結果就無效，更不可能付諸實施。

 

    用表格建數學模型是科學研究非常通用的方法。大多數APS是依靠Excel建立工廠生產計劃調度系統的數學模型。現在的問題是，制造業企業的生產運營管理和制造過程的管控是一個非常復雜的系統，即使我們能夠設計出反映企業基本運行規律的表格，那么這個表格必然會非常復雜，制造企業不可能正確填寫表格，那么這個模型也就失去實際作用。

 

    在實際的APS，為了能夠在企業實施項目，為了讓制造企業能夠填表，APS的表格不會太復雜。然而，這就帶來了模型太粗燥的弊端。為了彌補模型的缺陷，APS在軟件界面就設計了很多的配置項。俗話說，麻袋繡花底子不行。基礎模型沒有建好，不能反映原型的特征，制造企業就難以接受，難以應用。遺憾的是，恰恰是由于APS模型缺陷引出來的很多的用戶配置界面，反而成為APS的一個功能強大的銷售賣點。

 

    在這里對制造企業建模主要目的是研究企業運營的效率、質量、成本。建模是極具挑戰性的創造。對一個工廠來說，期望所建模型既有效，又可操作，又簡單，就需要對工業制造的本質有深刻的理解。如果不能在車間生產現場沉下去，如果不研究大量的工廠樣本，如果不經過理論和實踐多次迭代和一次又一次的失敗，很難達到預期。

 

    我們必須說APS模型有缺陷，但是它絕不是不可用。當我們把系統的范圍縮小，研究一些局部運營管理問題；當我們消除一些局部系統外部的不確定性；當我們把排程的“顆粒度”與研究對象實際更貼近一點；當我們可以把系統的某些非線性近似為線性的時候；APS還是一個有效的工具。這也是很多中小企業能夠實施APS的原因。

    模型和算法肯定是綁在一起的。模型的有效性是算法尋優的基礎。

 

    大多數APS都是基于規則的算法。現在尚不存在一種全局最優的規則。所以，如果APS是基于規則算法，它僅存在局部優化的可能。制造車間排程尋求最優是極其困難的。APS排程優化運算結果應該是在千千萬萬可行解中的一個。

 

    鑒別APS是否有優化算法的一個方法就是，以最短生產周期為目標，給APS輸入足夠多訂單并且不設定優先級，然后讓Solver分別運算一秒鐘、一分鐘、一個小時，再觀察結果的變化。

 

    實際上，對于管理水平很差的企業，APS的優化能力不重要。重要的是排出來一個企業能夠執行的結果。真正的排程優化只有管理水平很高且數字化/自動化環境很好的場景才能體現。

 

    理論上的可行解與實際上的可執行指令是不同的。計算機模型算法可以忽略很多約束和干擾，而實際上這些問題不可忽略。因此，APS常常出現輸出的指令可執行率不高的現象。

 

    規則算法就是按照人為制定的排序規則，由計算機依據既定的約束條件把任務的順序排出來，大部分都是簡單地“碼”出來而已。即使這樣，對于復雜的生產現場管理來說，能夠按照規則把生產任務排序做好也遠遠超過人手操作的能力。所以，規則算法在很多情況下是非常有效的，尤其是對中小企業。

 

    APS的輸出指令都是交給人來執行的，因此它有緩沖和協調的條件。事實上，對于管理水平還不是很好的中小企業，不適應精準調度，也沒有必要。中小企業如果上線實施APS，不要對APS太苛求，能夠比手工作業更好就達到目的了。而APS的實施，客觀地提升了企業的數據質量，為下一步的改善提供了數據環境。