如果有人让你做一份精确到分钟级别的旅行计划，行程涉及高铁、飞机、汽车，然后不能出岔子，必须完美执行。
你都不用做，想想就知道，即便能做出来，但从计划出来的那一刻起，这份计划就废了。
现实中的各种随机性因素就开始阻挠这个计划的执行。
映射到生产排程上也一样，生产排程制定的预设立场总是想要有一份完美计划，和前面说的旅行计划一样，最好能到分钟，连工人喝水的时间都算好。
主流目前通过两种方式来尝试解决。一个是靠仿真，用蒙特卡洛模拟。一个是靠算法，用退火、遗传等变种以及现代机器学习。
现实是工厂里有大量变异性，随着这些不确定因素开始干扰计划，那么就会导致排程在落地的一瞬间就是废纸。
百分百的，所有排程软件在计划生成之后没有不调整的。这种前后依赖，追求精确解的方式经不起波动。 最终大家就是靠 Excel 过过日子么好了咯，又不是不能用。
依赖 AI 行不行？#
可以依赖，但要分情况。
AI 本来就是概率推算，用 AI 排产=现实不确定 x AI 不确定性。宏观来看，小数相乘只会越来越小，距离完美排产越来越远。
没用过 AI 的人总喜欢把 AI 神化。认为 AI 无所不能，人排产不行是因为不如 AI 智能，脑容量不够大，换 AI 就可以瞬间算出来最优解。
持这个观点的人首先没有真正理解 AI 的局限，其次更没有真正理解排产。AI 能把排产速度提高到极致又没用，难道排产速度快就不会改了吗？改得快那还是要改啊。
挂倒挡油门踩到底也没用，典型的方向不看光努力。 AI 在排程上的作用主要是尽可能把明显不合理的方案过滤掉，比如一个要十天产能的订单只给五天交期，你就是排产仙人来了也要说做不了。
当然，不是说完全靠人做，人机结合会更高效。
有没有靠谱的方法#
有的，朋友，排产也有很多门道的。
比如 QNA——生产排程的一个分支
感兴趣可以找 AI 学一下 QNA，全称是排队网络分析，是排队论的子集，专门研究排队网络效率的。排产问题在学术上属于排队问题。典型的工艺路线基本上都是 G/G/M/b 模型，这是排队论领域的难题。
排程的底层依然是数学，排程的难题本质上是数学难题，俗称 NP 难题。
深入点问 AI， AI 会告诉你，现在算法已经很厉害啦，巴拉巴拉一堆废话，但本质上算法还是在解决怎么排得更准和更快的问题。
算法从来没考虑怎么解决波动和变异。
不过现代算法的核心已经转变为：我不求最优解，我只求满意解，只要不那么差，不是特别好也行。总比拍脑袋强。
解决思路是什么？#
现实会给追求完美排程的人重拳出击，但也给遵循物理规律的人指出一条明路。
喜欢把 JIT/精益/TPS/丰田生产模式挂嘴边的人，往往连丰田排班有余量都不知道，天天就喊库存万恶，我们要零库存，我们要准时化。
丰田 24 小时排两班，每班 10 小时，干得快了就休息，出波动了就用这两小时消化。
丰田单分钟换模技术把原本几小时的换模时间压缩到分钟级，关键是稳定可控。
丰田的需求是准平化的，不是今天停机待单明天爆单外协。准平化能让采购都不用着急备货，甚至送料早了还要骂供应商站着茅坑不拉屎。
时间、产能、库存三个组成的不可能三角才是排产的核心，总要有取舍。
总有某人或某物在等待，不是料等机就是机等料，不是人等货就是货等人。
要么像医院，库存没有的，不可能提前把看病的医生囤起来等病人。
产能是有限的，没听过可以无限开科室的医院。 只有让病人等这一条路是可行的。
但医院的预约时间从没准时过，病人和医生的交互是不可控的，这就是排队难题。只要想明白医院这个场景，那么好像排程也没什么大不了，这就是现实，排队永远不准。
怎么判断排程软件的效果？#
可以问软件商这么几个问题：
- 你的软件是解决了计划改得快的问题，还是解决少改或者不改计划的问题呀？
- 用你的软件能算出准确交期了吗？
- 用你的软件能根据交期动态报价了吗？
- 相比部署自动化排产之前，你的软件给其他客户带来的交期缩短了多少呀？
- 相比之前产能有下降吗？
- 相比之前在制品有减少吗？ 这些可以问任何一家软件公司，只要他说他的软件有效，把这些数据拿出来看看就知道是否属实了。
生产排产好不好，看三个点：速度有没有变快，产量有没有降低，在制品/库存有没有降低。
速度快了，产量高了或者持平，在制品少了，就是好软件。