本文摘要：摘 要：智能調(diào)度是實(shí)現(xiàn)制造系統(tǒng)高效運(yùn)作、制造資源與生產(chǎn)任務(wù)高效配置的重要保障，是實(shí)現(xiàn)制造業(yè)數(shù)字化網(wǎng)絡(luò)化智能化的重要途徑。從智能調(diào)度全局出發(fā)，進(jìn)一步對(duì)前人綜述研究進(jìn)行深化和外延，運(yùn)用可視化工具 CiteSpace 軟件，通過檢索 Web of Science 核心數(shù)據(jù)庫，獲取 20
摘 要：智能調(diào)度是實(shí)現(xiàn)制造系統(tǒng)高效運(yùn)作、制造資源與生產(chǎn)任務(wù)高效配置的重要保障，是實(shí)現(xiàn)制造業(yè)數(shù)字化網(wǎng)絡(luò)化智能化的重要途徑。從智能調(diào)度全局出發(fā)，進(jìn)一步對(duì)前人綜述研究進(jìn)行深化和外延，運(yùn)用可視化工具 CiteSpace 軟件，通過檢索 Web of Science 核心數(shù)據(jù)庫，獲取 2012—2021 年間收錄的以“智能調(diào)度”為主題的 50610 條文獻(xiàn)。基于知識(shí)圖譜把握智能調(diào)度領(lǐng)域的學(xué)科演化性質(zhì)、分析領(lǐng)域研究熱點(diǎn)、探索重要集群性質(zhì)、挖掘重大突現(xiàn)、洞察結(jié)構(gòu)變異性，提出一種基于知識(shí)圖譜的研究領(lǐng)域綜述分析路徑與方法。最后指出柔性作業(yè)車間重調(diào)度、節(jié)能調(diào)度、異構(gòu)分布式協(xié)同調(diào)度系統(tǒng)、新型群智能優(yōu)化算法等是智能調(diào)度領(lǐng)域的發(fā)展方向。
關(guān)鍵詞：智能調(diào)度;知識(shí)圖譜;文獻(xiàn)計(jì)量學(xué);可視化分析;統(tǒng)計(jì)分析
0 引言
隨著 5G 與物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，如今已呈現(xiàn)“萬物感知、萬物互聯(lián)、萬物智能”的發(fā)展新趨勢(shì)[1]。2015 年李克強(qiáng)總理在結(jié)合現(xiàn)代智能制造、工業(yè)制造 4.0 與物聯(lián)網(wǎng)等基礎(chǔ)上，提出“互聯(lián)網(wǎng)+”的戰(zhàn)略規(guī)劃[2]。此外，我國為推動(dòng)新型智能技術(shù)與制造技術(shù)的融合發(fā)展制定發(fā)布了“互聯(lián)網(wǎng)+”和《中國制造 2025》等一系列頂層設(shè)計(jì)文件，以促進(jìn)我國制造業(yè)轉(zhuǎn)型升級(jí)。“中國制造 2025”的核心是創(chuàng)新驅(qū)動(dòng)發(fā)展，主攻方向是智能制造技術(shù)，最終實(shí)現(xiàn)制造業(yè)的數(shù)字化、網(wǎng)絡(luò)化、智能化升級(jí)。制造業(yè)利用大數(shù)據(jù)、云計(jì)算等新興技術(shù)[3-4]，針對(duì)逐漸興起的個(gè)性化定制和協(xié)同分布模式，構(gòu)建多種制造類型的調(diào)度算法庫，提供智能調(diào)度方案[5]，為實(shí)現(xiàn)制造系統(tǒng)的高效運(yùn)作、制造資源與生產(chǎn)任務(wù)的高效配置提供堅(jiān)實(shí)保障。
智能調(diào)度[1]是指基于人工智能技術(shù)，依靠集自主感知、學(xué)習(xí)、分析、決策和協(xié)調(diào)控制于一體的智能化設(shè)備[6,7]，通過互聯(lián)網(wǎng)進(jìn)行企業(yè)生產(chǎn)的動(dòng)態(tài)協(xié)同自適應(yīng)管理活動(dòng)，達(dá)到快速響應(yīng)市場(chǎng)、高效組織生產(chǎn)、滿足用戶需求的生產(chǎn)目標(biāo)，促使制造系統(tǒng)向大數(shù)據(jù)和智能化方向轉(zhuǎn)變。由此可知，智能調(diào)度是智能制造系統(tǒng)運(yùn)行的核心。智能制造系統(tǒng)中的絕大部分調(diào)度問題均屬于 NP-hard 組合優(yōu)化問題(Non-polynomial completeproblems)。智能調(diào)度方法的研究可分為以下 3 個(gè)主要階段：
第 1 階段為數(shù)學(xué)規(guī)劃方法，它將調(diào)度問題簡(jiǎn)化為數(shù)學(xué)規(guī)劃模型，通常運(yùn)用整數(shù)規(guī)劃、動(dòng)態(tài)規(guī)劃等方法解決調(diào)度最優(yōu)化或近似優(yōu)化問題，例如混合整數(shù)線性規(guī)劃法[8]、混合整數(shù)非線性規(guī)劃法[9]、拉格朗日松弛法[10]等，是一種精確求解的方法，但復(fù)雜多變的因素會(huì)使得算法的重用性較弱，且存在求解空間大、計(jì)算困難等問題。第 2 階段為啟發(fā)式搜索方法，克服了數(shù)學(xué)規(guī)劃方法計(jì)算繁瑣的問題，依據(jù)無關(guān)信息來簡(jiǎn)化搜索過程，可看作系統(tǒng)化地構(gòu)造解的過程，例如分區(qū)算法、本地搜索技術(shù)[11]等，但是解的質(zhì)量較低，且與全局最優(yōu)解的差值較大，因此無法在生產(chǎn)實(shí)踐中落地。
第 3 階段為人工智能方法，例如遺傳算法[12]、蟻群算法[13]、人工神經(jīng)網(wǎng)絡(luò)[14]、模糊邏輯[15]、禁忌搜索算法[16]、混沌搜索算法[17]、模擬退火算法[18]等。但隨著人工智能技術(shù)的成熟發(fā)展，單一算法呈現(xiàn)出全局最優(yōu)解精度較低等問題，基于此，融合多種算法進(jìn)行算法優(yōu)化成為學(xué)者的研究熱點(diǎn)，如粒子群算法[19]、帝國競(jìng)爭(zhēng)算法[20]等，其中也產(chǎn)生了基于 EA 的多目標(biāo)進(jìn)化算法，如 MOEA/D[21]、NAGA-II 等。已有多位學(xué)者在不同時(shí)期針對(duì)智能調(diào)度技術(shù)與方法進(jìn)行綜合性總結(jié)與展望。徐俊剛等[22]系統(tǒng)地闡述了生產(chǎn)調(diào)度方法及典型應(yīng)用，指出當(dāng)前實(shí)際生產(chǎn)調(diào)度存在的問題，并提出多種調(diào)度方法相結(jié)合的研究展望;張潔等[1]闡述了制造系統(tǒng)中的多類復(fù)雜調(diào)度問題以及調(diào)度方法與技術(shù)，并重點(diǎn)講述了不同調(diào)度方法的云端化技術(shù)實(shí)現(xiàn)方式。
也有學(xué)者從文獻(xiàn)計(jì)量角度進(jìn)行智能調(diào)度等相關(guān)領(lǐng)域的研究，劉義川等[23]通過 Web of Science 數(shù)據(jù)庫導(dǎo)出生產(chǎn)調(diào)度文獻(xiàn)數(shù)據(jù)，利用 CiteSpace、SATI 以及 Unicent等分析軟件進(jìn)行生產(chǎn)調(diào)度文獻(xiàn)的計(jì)量與可視化，同時(shí)開展預(yù)制構(gòu)件生產(chǎn)調(diào)度文獻(xiàn)研究;王婷等[24]以CNKI 和 Web of Science 中 2009 至 2019 年的相關(guān)文獻(xiàn)為基礎(chǔ)，運(yùn)用 CiteSpace 繪制期刊、關(guān)鍵詞和突現(xiàn)詞的知識(shí)圖譜，發(fā)掘智能調(diào)度領(lǐng)域未來的趨勢(shì);史進(jìn)程等[2]運(yùn)用 CiteSpace 可視化軟件繪制物聯(lián)網(wǎng)研究領(lǐng)域的共詞網(wǎng)絡(luò)、關(guān)鍵詞時(shí)序圖、文獻(xiàn)互引網(wǎng)絡(luò)等知識(shí)圖譜，為物聯(lián)網(wǎng)領(lǐng)域未來的理論推進(jìn)提供方向性指導(dǎo);管文玉等[25]基于 CiteSpace 實(shí)現(xiàn)了可視化知識(shí)圖譜，對(duì)當(dāng)前數(shù)字孿生研究的現(xiàn)狀、趨勢(shì)和熱點(diǎn)進(jìn)行了檢視和分析。以上基于知識(shí)圖譜的相關(guān)領(lǐng)域分析研究多圍繞基礎(chǔ)性質(zhì)共現(xiàn)分析及時(shí)間線分析，并未深度解析該領(lǐng)域的引文空間信息。
綜合以上國內(nèi)外智能調(diào)度相關(guān)研究發(fā)現(xiàn)，大多學(xué)者從微觀角度進(jìn)行研究，聚焦智能調(diào)度垂直細(xì)分領(lǐng)域的算法創(chuàng)新與優(yōu)化，僅局限于方法層面，不利于從宏觀角度把握智能調(diào)度領(lǐng)域的發(fā)展現(xiàn)狀及研究前沿。如今，已有學(xué)者以綜述形式對(duì)智能調(diào)度問題及方法進(jìn)行整體梳理與概括，但所提觀點(diǎn)多為定性分析具有主觀性和不確定性，缺乏客觀數(shù)據(jù)支撐。雖然有少數(shù)學(xué)者運(yùn)用文獻(xiàn)計(jì)量工具通過知識(shí)圖譜可視化表達(dá)方法分析與挖掘智能調(diào)度或其他領(lǐng)域的研究前沿與研究熱點(diǎn)，但均處在多類別共現(xiàn)分析、時(shí)序圖分析等基礎(chǔ)性質(zhì)分析階段，且分析較零散，沒有形成明確的分析路徑�；诖�，本研究從智能調(diào)度全局出發(fā)，進(jìn)一步對(duì)前人綜述研究進(jìn)行深化和外延，運(yùn)用可視化工具 CiteSpace 軟件，呈結(jié)構(gòu)化地對(duì)智能調(diào)度相關(guān)研究領(lǐng)域進(jìn)行文獻(xiàn)計(jì)量與知識(shí)圖譜分析。本研究旨在達(dá)到以下目的：把握智能調(diào)度領(lǐng)域的學(xué)科演化性質(zhì)、分析智能調(diào)度領(lǐng)域的研究熱點(diǎn)、探索智能調(diào)度領(lǐng)域的重要集群性質(zhì)、挖掘研究領(lǐng)域的重大突現(xiàn)、洞察研究領(lǐng)域的結(jié)構(gòu)變異性，提出一種基于知識(shí)圖譜的研究領(lǐng)域知識(shí)綜述分析路徑與方法。
1 研究方法及數(shù)據(jù)收集
1.1 研究方法
本文研究基于文獻(xiàn)計(jì)量的綜合分析思路運(yùn)用科學(xué)知識(shí)圖譜的可視化手段分析研究領(lǐng)域科學(xué)知識(shí)的結(jié)構(gòu)、規(guī)律與分布。目前，可用于引文可視化分析的軟件有 CiteSpace[26]、Vosviewer、Gephi、Pajek等。本文選用 CiteSpace 軟件進(jìn)行文獻(xiàn)計(jì)量分析與知識(shí)圖譜輸出，此軟件支持對(duì)國內(nèi)外多個(gè)核心數(shù)據(jù)庫的文獻(xiàn)進(jìn)行合作網(wǎng)絡(luò)、共現(xiàn)分析、共被引分析、耦合分析、雙圖疊加分析。
CiteSpace 軟件可支持的文獻(xiàn)可視化分析類型較豐富，易造成分析結(jié)果分散且邏輯關(guān)聯(lián)性弱的問題。因此，本文基于 CiteSpace 軟件所提供的功能模塊，以宏觀-微觀-宏觀的形式呈結(jié)構(gòu)化地對(duì)學(xué)科性質(zhì)、研究熱點(diǎn)、研究前沿、典型集群性質(zhì)、結(jié)構(gòu)變異性、合作支撐六個(gè)層面逐步對(duì)智能調(diào)度文獻(xiàn)進(jìn)行量化分析、知識(shí)圖譜表達(dá)以及內(nèi)容分析。本文所提的分析路徑及方法有以下創(chuàng)新點(diǎn)：
(1)學(xué)科性質(zhì)與研究熱點(diǎn)是對(duì)研究目標(biāo)領(lǐng)域的首要宏觀分析。本文在傳統(tǒng)學(xué)科領(lǐng)域分析之前引入科學(xué)地圖分析，通過分析研究領(lǐng)域文獻(xiàn)的期刊引證路徑，快速獲得該領(lǐng)域所屬的重要學(xué)科性質(zhì)以及學(xué)科之間的主要交互特性，解決了傳統(tǒng)學(xué)科領(lǐng)域分析較分散、難收斂的問題。
(2)基于共被引網(wǎng)絡(luò)聚類標(biāo)簽、突現(xiàn)性文獻(xiàn)、時(shí)間線的研究前沿分析是宏觀到微觀的過渡，但大多數(shù)基于知識(shí)圖譜的綜述性文獻(xiàn)并未進(jìn)行下一步地深入挖掘[24,25]。本文創(chuàng)新性地將共被引網(wǎng)絡(luò)第一大聚類集群的引文信息進(jìn)行拓展，獲取該集群中的重要施引文獻(xiàn)、重要被引文獻(xiàn)，并放大集群的時(shí)間線進(jìn)行典型集群分析。該方法可準(zhǔn)確地把握研究前沿的顯著性質(zhì)并獲取更豐富的引文信息，使圖譜分析落實(shí)到微觀層面，一定程度上克服了傳統(tǒng)研究前沿分析程度較淺且扁平的問題。
(3)國內(nèi)相關(guān)知識(shí)圖譜的綜述性文章缺少對(duì)重要集群結(jié)構(gòu)變異性的研究，本文關(guān)于作者對(duì)集群結(jié)構(gòu)變異性的研究與分析有利于挖掘?qū)貉苌哂休^大貢獻(xiàn)度的作者和引文，提升了微觀分析由淺到深的層次性。
此外，本文創(chuàng)造性地將聚類的模塊化參數(shù)作為年份對(duì)集群結(jié)構(gòu)變異性影響程度的主要判斷依據(jù)，從變異性方面再次將分析視角過渡至宏觀分析領(lǐng)域。本文提出“宏觀-微觀-宏觀”呈結(jié)構(gòu)化的文獻(xiàn)計(jì)量分析思路與方法，延展了研究領(lǐng)域分析的層次性，增加了分析深度，并引入 CiteSpace 較新型的功能模塊與創(chuàng)新思維豐富了分析架構(gòu)，使知識(shí)圖譜受眾更準(zhǔn)確地抓取研究領(lǐng)域關(guān)鍵的信息與趨勢(shì)，更靈敏地獲得研究熱點(diǎn)與前沿。
1.2 數(shù)據(jù)收集
本文研究文獻(xiàn)資料以 Web of Science 核心數(shù)據(jù)庫為來源。為了收集的數(shù)據(jù)能夠全面覆蓋此領(lǐng)域的研究狀況，本研究以主題詞為檢索方式，以 Web of Science 核心數(shù)據(jù)庫為文獻(xiàn)來源，以“IntelligentScheduling”和“Job Shop Scheduling”為關(guān)鍵詞內(nèi)容，檢索 2012 年至 2021 年區(qū)間內(nèi)的相關(guān)文獻(xiàn)。通常在文獻(xiàn)檢索中，將由于查全率低所造成的拒真錯(cuò)誤稱為 I 類錯(cuò)誤，將由于查準(zhǔn)率低所造成的取偽錯(cuò)誤稱為 II 類錯(cuò)誤。因此，本文剔除了論文、在線發(fā)表類別以外的相關(guān)文獻(xiàn)，例如書籍、綜述、會(huì)議等文獻(xiàn)，共獲取了 6686 篇有效文獻(xiàn)，提高了文獻(xiàn)檢索的查準(zhǔn)率。此外，通過創(chuàng)建引文路徑的方式，對(duì)檢索結(jié)果進(jìn)行拓展，獲取到此 6686 篇文獻(xiàn)的施引文獻(xiàn)，共計(jì) 50610 篇文獻(xiàn)，提高了文獻(xiàn)檢索的查全率。
2 學(xué)科性質(zhì)分析
2.1 科學(xué)地圖分析
科學(xué)地圖分析，又稱雙圖疊加分析(Dual-Map Overlay)，由施引期刊地圖和被引期刊地圖組成，兩個(gè)地圖內(nèi)容完全相同，均包含超過 10000 個(gè)科學(xué)引文索引收錄期刊，并通過聚類得出多個(gè)領(lǐng)域術(shù)語標(biāo)簽。圖中彩色圓點(diǎn)表征期刊，軌跡線表征期刊之間的索引關(guān)系。將文獻(xiàn)數(shù)據(jù)集中所有文獻(xiàn)的期刊引用軌跡進(jìn)行表征后，通過聚合路徑即可得到主要領(lǐng)域期刊的引用軌跡�；� Dual-Map Overlay圖譜，可將該研究領(lǐng)域的重要期刊分布與引用情況進(jìn)行可視化，可以快速地把握研究領(lǐng)域的學(xué)科性質(zhì)以及學(xué)科交互特性。
智能調(diào)度領(lǐng)域中期刊的主要引用軌跡(紅色線)為施引期刊中的 I 類MATHEMATICS、SYSTEMS、MATHEMATICAL 至被引期刊中的 I 類：SYSTEMS、COMPUTING、COMPUTER。雖然其他類期刊也有一定的引用軌跡，例如紫色線、黃色線，但因軌跡較少?zèng)]有形成聚合路徑，因此不視為主要引用軌跡。通過 Dual-Map Overlay 圖譜分析可知，MATHEMATICS、SYSTEMS、MATHEMATICAL、COMPUTING、COMPUTER 為研究智能調(diào)度領(lǐng)域相關(guān)問題的主要學(xué)科力量，解決智能調(diào)度問題的核心是系統(tǒng)科學(xué)理論，依據(jù)數(shù)學(xué)理論與計(jì)算機(jī)科學(xué)技術(shù)解決某系統(tǒng)的復(fù)雜調(diào)度問題。
2.2 學(xué)科領(lǐng)域分析
學(xué)科領(lǐng)域分析是預(yù)測(cè)某領(lǐng)域未來發(fā)展方向、技術(shù)布局的主要手段。基于 Web of Science 獲取的智能調(diào)度文獻(xiàn)數(shù)據(jù)集的學(xué)科領(lǐng)域分析知識(shí)圖譜。為了直觀地展示各學(xué)科領(lǐng)域的重要度，以學(xué)科的中心性為序，排名中心性為前 10 的主要學(xué)科。中心性是指中介中心性，中心性越高，表明該因素節(jié)點(diǎn)越關(guān)鍵，并將中心性≥0.1 的因素節(jié)點(diǎn)稱為關(guān)鍵節(jié)點(diǎn)。
學(xué)科領(lǐng)域分析知識(shí)圖譜與關(guān)鍵節(jié)點(diǎn)排序分析可知：數(shù)學(xué)和計(jì)算機(jī)科學(xué)是智能調(diào)度領(lǐng)域的理論基礎(chǔ)，其中計(jì)算機(jī)科學(xué)及其細(xì)分領(lǐng)域的發(fā)展，如人工智能、云計(jì)算、數(shù)字孿生、跨學(xué)科應(yīng)用等，將影響智能調(diào)度領(lǐng)域核心算法的技術(shù)變革。工程學(xué)和物理科學(xué)是智能調(diào)度領(lǐng)域的技術(shù)支撐，智能調(diào)度技術(shù)的應(yīng)用場(chǎng)景集中于車間工廠、制造系統(tǒng)中，需要工程學(xué)等其他學(xué)科的發(fā)展將助力前沿智能技術(shù)的落地與實(shí)現(xiàn)。商學(xué)與管理學(xué)是智能調(diào)度領(lǐng)域的優(yōu)化依據(jù)，智能調(diào)度技術(shù)的不斷發(fā)展同時(shí)標(biāo)志著產(chǎn)品生產(chǎn)周期管理結(jié)構(gòu)與配置的優(yōu)化升級(jí)，必將促使產(chǎn)業(yè)效益的逐步提升。從分析結(jié)果來看，雙圖疊加分析與學(xué)科領(lǐng)域分析兩個(gè)知識(shí)圖譜表達(dá)的信息一致，學(xué)科領(lǐng)域分析更側(cè)重學(xué)科細(xì)分領(lǐng)域的分析，雙圖疊加分析更側(cè)重體現(xiàn)學(xué)科之間的主要交互特性。
3 研究熱點(diǎn)分析
本文將基于關(guān)鍵詞的共現(xiàn)分析與聚類分析知識(shí)圖譜解析智能調(diào)度領(lǐng)域的研究熱點(diǎn)。文獻(xiàn)數(shù)據(jù)集來源為 2012 年至 2021 年 Web of Science 核心數(shù)據(jù)庫，為了更加準(zhǔn)確地提取核心關(guān)鍵詞，本文選擇最小生成樹算法進(jìn)行關(guān)鍵詞共現(xiàn)分析，以消除不重要的枝節(jié)網(wǎng)絡(luò)。在共現(xiàn)分析網(wǎng)絡(luò)圖譜中，節(jié)點(diǎn)圓圈的邊緣厚度表征關(guān)鍵詞出現(xiàn)的數(shù)量，大小表征出現(xiàn)的頻次;連線表征兩個(gè)關(guān)鍵詞出現(xiàn)在同一篇文章中，連線顏色的冷暖表征關(guān)鍵詞聯(lián)系出現(xiàn)的時(shí)間，連線的粗細(xì)表征聯(lián)系出現(xiàn)的頻次。關(guān)鍵詞分析是文獻(xiàn)計(jì)量法中的關(guān)鍵步驟，它凝練了文章最核心的內(nèi)容，也最能體現(xiàn)該領(lǐng)域的研究熱點(diǎn)。但關(guān)鍵詞共現(xiàn)分析所表征的信息較零散，無法直接作為研究熱點(diǎn)的支持?jǐn)?shù)據(jù)。因此，需要將關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)進(jìn)行聚類，得出關(guān)鍵詞的重要集群，關(guān)鍵詞的重要集群標(biāo)簽即為該領(lǐng)域的研究熱點(diǎn)。
智能調(diào)度領(lǐng)域的關(guān)鍵詞聚類網(wǎng)絡(luò)圖譜該網(wǎng)絡(luò)得出 9 個(gè)重要集群，分別為 machinelearning(機(jī)器學(xué)習(xí))、algorithm(算法)、flexible job shop scheduling problem(柔性作業(yè)車間調(diào)度問題)、internet of things(物聯(lián)網(wǎng))、wireless sensor networks(無線傳感器網(wǎng)絡(luò))、smart grids(智能電網(wǎng))、、energy-efficient scheduling(節(jié)能調(diào)度)、differention flow shop(差異化流水車間)、edge computing(邊緣計(jì)算)。
這 9 個(gè)集群代表智能調(diào)度領(lǐng)域的研究熱點(diǎn)。而關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)中頻次較高的關(guān)鍵詞有g(shù)enetic algorithm(遺傳算法)、algorithm(算法)、optimization(優(yōu)化)、makespan(完工時(shí)間)、manufacturing system(制造系統(tǒng))、tabu search(禁忌搜索)、particle swarm optimization(粒子群優(yōu)化)、heuristics(啟發(fā)式)、local search(本地搜索)、flexible job shop(柔性作業(yè)車間)等。
(1)機(jī)器學(xué)習(xí)和算法作為較大集群反映出智能調(diào)度領(lǐng)域研究的核心為人工智能，人工智能技術(shù)的發(fā)展推動(dòng)了智能調(diào)度效率的提升，如關(guān)鍵詞中的遺傳算法、禁忌搜索算法、粒子群優(yōu)化算法等算法優(yōu)化是智能調(diào)度研究領(lǐng)域需要不斷攻克的難點(diǎn)。機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)、心理學(xué)、認(rèn)識(shí)科學(xué)等學(xué)科交叉形成綜合型領(lǐng)域，因此以跨學(xué)科研究的形式進(jìn)行智能調(diào)度領(lǐng)域的研究也是未來發(fā)展方向。(2)物聯(lián)網(wǎng)和無線傳感網(wǎng)絡(luò)作為重要集群反映出智能調(diào)度是在物聯(lián)網(wǎng)時(shí)代趨勢(shì)下順應(yīng)而生的產(chǎn)物。物聯(lián)網(wǎng)的定義為 RFID 和其他傳感器組成的全球標(biāo)準(zhǔn)網(wǎng)絡(luò)，無限傳感網(wǎng)絡(luò)的構(gòu)建與分布分配方式是物聯(lián)網(wǎng)發(fā)展的基礎(chǔ)技術(shù)。物聯(lián)網(wǎng)技術(shù)是智能制造的物質(zhì)基礎(chǔ)，而智能調(diào)度技術(shù)是智能制造系統(tǒng)運(yùn)行的主要驅(qū)動(dòng)力。(3)柔性作業(yè)車間調(diào)度、節(jié)能調(diào)度、智能電網(wǎng)作為重要集群反映出智能調(diào)度的細(xì)分應(yīng)用領(lǐng)域正在不斷增加。隨著人工智能技術(shù)的逐漸成熟，更多學(xué)者對(duì)智能調(diào)度在制造系統(tǒng)中的應(yīng)用領(lǐng)域或應(yīng)用情境不斷細(xì)分，針對(duì)性地提出具體領(lǐng)域調(diào)度更加契合的解決方法，提高制造系統(tǒng)的調(diào)度效能，彌補(bǔ)智能調(diào)度應(yīng)用領(lǐng)域的研究空缺。
4 研究前沿分析
4.1 共被引網(wǎng)絡(luò)聚類分析
共被引網(wǎng)絡(luò)分析是 CiteSpace 軟件的核心功能，通過構(gòu)建研究領(lǐng)域文獻(xiàn)的引用網(wǎng)絡(luò)，從時(shí)間的橫向維度探索該領(lǐng)域的研究發(fā)展脈絡(luò)。共被引聚類分析是此功能的基礎(chǔ)，可通過文獻(xiàn)的引用關(guān)系得出不同時(shí)間段的研究熱點(diǎn)，色塊的冷暖表征不同時(shí)間段的研究熱點(diǎn)，顏色越冷表征引文較久遠(yuǎn)，顏色越暖表征引文較臨近。帶有紅色樹狀結(jié)構(gòu)的節(jié)點(diǎn)是突發(fā)性的引用文獻(xiàn)。以 Web of science 核心數(shù)據(jù)庫中 2012 年至 2021 年的文獻(xiàn)為基礎(chǔ)，智能調(diào)度領(lǐng)域的共被引網(wǎng)絡(luò)聚類圖譜。聚類后的網(wǎng)絡(luò)模塊度 Modularity Q=0.7006，模塊度大于 0.3 表征聚類網(wǎng)絡(luò)性能較好;且每個(gè)聚類集群的輪廓值Silhouette>0.773，說明聚類集群均為大型集群，聚類效度較高。每個(gè)聚類集群的頻次、輪廓值、標(biāo)簽、平均年份、持續(xù)度如表 3 所示。由表分析可知#0 柔性作業(yè)車間調(diào)度問題、#1 能耗、#2 混合流水車間、#3 異構(gòu)工廠是文獻(xiàn)共被引網(wǎng)絡(luò)的主要集群。
4.2 突現(xiàn)性文獻(xiàn)分析
研究領(lǐng)域中的里程碑式文獻(xiàn)可運(yùn)用 Burstness 圖譜進(jìn)行挖掘。該知識(shí)圖譜用于解讀具有強(qiáng)烈爆發(fā)性的被引文獻(xiàn)，此文獻(xiàn)常常標(biāo)志著研究領(lǐng)域新技術(shù)的產(chǎn)生，因此具有一定的突現(xiàn)性，突現(xiàn)性由強(qiáng)度值決定。爆發(fā)文獻(xiàn)的突現(xiàn)性具有時(shí)間特性，由 Burstness 圖譜可挖掘爆發(fā)文獻(xiàn)的興起時(shí)間與消隱時(shí)間，獲取前沿研究熱點(diǎn)的興起時(shí)段。智能調(diào)度領(lǐng)域按突現(xiàn)性排序的前 42 篇爆發(fā)文獻(xiàn)。例如，該研究領(lǐng)域 2013 年的里程碑論文 Chiang TC[27]提出一種簡(jiǎn)單有效的利用遺傳算子尋找 Pareto 最優(yōu)解集的方法用于柔性作業(yè)車間調(diào)度問題中，該論文標(biāo)志著此時(shí)間階段的研究熱點(diǎn)以智能調(diào)度算法技術(shù)優(yōu)化為主;2014 年的關(guān)鍵性論文 Shrouf F[28]提出了一種機(jī)器級(jí)能耗成本最小化地生產(chǎn)調(diào)度最小化模型，表征該時(shí)間階段相關(guān)研究逐漸以實(shí)現(xiàn)技術(shù)落地為目標(biāo)，考慮實(shí)際需求及約束的智能調(diào)度技術(shù)研究逐漸興起;2018 年的里程碑論文 Wu XL[29]提出了一種用于解決柔性作業(yè)車間智能調(diào)度問題的綠色調(diào)度啟發(fā)式算法，表征該時(shí)間階段的研究熱點(diǎn)以解決實(shí)際調(diào)度問題中的細(xì)分情境為核心，逐漸追求高效、精準(zhǔn)、專業(yè)化的調(diào)度理念。
4.3 時(shí)間線分析
時(shí)間線分析圖譜可以直觀地分析共被引聚類集群的時(shí)間特性，有助于挖掘研究前沿?zé)狳c(diǎn)。聚類集群按照大小垂直排列，彩色曲線表征文獻(xiàn)引用軌跡，曲線顏色偏冷說明研究年份較久遠(yuǎn)，偏暖說明研究年份較臨近。每個(gè)集群的引用軌跡依據(jù)時(shí)間軸排列，紅色樹狀結(jié)構(gòu)的節(jié)點(diǎn)表征此文獻(xiàn)為高度被引或高度施引的突現(xiàn)性文獻(xiàn)。智能調(diào)度領(lǐng)域的共被引網(wǎng)絡(luò)時(shí)間線圖譜。#0 柔性作業(yè)車間調(diào)度問題、#1 能耗兩大集群雖然從 2012 年開始發(fā)展，但歷經(jīng) 10 年仍保持活躍，依然是目前研究的熱點(diǎn)，但第三集群#2 混合流水車間至 2012 年就已經(jīng)幾乎停止發(fā)展，第四集群#3 異構(gòu)工廠雖然突現(xiàn)性強(qiáng)度較低，但目前仍然有發(fā)展的趨勢(shì)。
5 典型集群分析
共被引網(wǎng)絡(luò)進(jìn)行聚類后獲得 14 個(gè)主要集群，其中包括 10 個(gè)主要集群，代表智能調(diào)度領(lǐng)域的主要研究熱點(diǎn)。對(duì)典型集群進(jìn)行深度分析，有助于整體把握該領(lǐng)域的研究方向與趨勢(shì)。本文將對(duì)智能調(diào)度領(lǐng)域第一大集群的重要文獻(xiàn)進(jìn)行深度挖掘。#0 柔性作業(yè)車間調(diào)度問題是該領(lǐng)域的最大聚類集群，在 2012 至 2021 年間包含 1113 篇文獻(xiàn)。該集群所有文獻(xiàn)的中位年份為 2016 年，但20 篇最具代表性的引用文獻(xiàn)中位年份為 2015 年。該集群的輪廓值為 0.773，是主要集群中最低值，是一個(gè)相對(duì)較高的同質(zhì)性水平。將圖 8 時(shí)間線圖譜中#0 集群的分支進(jìn)行提取后，可將時(shí)間線支線分為三個(gè)階段。分階段的詳解如下：
(1)第一個(gè)時(shí)期為 2010 至 2012 年。這一時(shí)期的時(shí)間軸相對(duì)比較平靜，沒有特別熱點(diǎn)的突發(fā)性文獻(xiàn)。相對(duì)較為熱點(diǎn)的文獻(xiàn)包括兩個(gè)方向：?jiǎn)我恢悄芩惴ǖ募夹g(shù)優(yōu)化以及智能算法綜述。在智能算法技術(shù)優(yōu)化研究方面，Hildebrandt T 和 Al-Hinai N 優(yōu)化了遺傳算法體系結(jié)構(gòu)用于解決柔性作業(yè)車間調(diào)度問題(FJSP);Karimi H 將知識(shí)模塊引入可變鄰域搜索算法中，提高了搜索過程的效率。在智能算法綜述研究方面，Demir Y 對(duì)柔性作業(yè)車間調(diào)度問題(FJSP)的智能算法進(jìn)行了全面的綜述，并提出了 FJSP 的時(shí)間索引模型的評(píng)估模型。
(2)第二個(gè)時(shí)期為 2013 至 2018 年。從引文軌跡和紅色爆發(fā)頻率來看，第二階段充滿了高影響力的文獻(xiàn)。此階段的突發(fā)性文獻(xiàn)均為混合智能技術(shù)研究，實(shí)現(xiàn)了從第一階段對(duì)單一算法的升級(jí)優(yōu)化到第二階段的混合算法優(yōu)化。Shao XY 提出了一種混合離散粒子群優(yōu)化(DPSO)和模擬退火(SA)算法來查找 FJSP 的帕累托前沿近似解;Jia S 在禁忌搜索算法的基礎(chǔ)上，提出了一種基于反向跳躍跟蹤的路徑重鏈接算法;Gao KZ 提出了一種基于 Pareto 的分組離散協(xié)調(diào)搜索算法(PGDHS);YuanY 將一種新的局部搜索算法引入到改進(jìn)的 NSGA-II 中，開發(fā)了一種新的模因算法(MAs);LI XY 提出了一種將遺傳算法(GA)和禁忌搜索算法(TS)結(jié)合的有效混合 HA 算法;Jamrus T 提出了一種將粒子群優(yōu)化算法與 Cauchy 分布和遺傳算子相結(jié)合的混合方法 HPSO+GA。
此外，Gao KZ 研究了具有新作業(yè)插入的柔性作業(yè)車間調(diào)度問題，提升了車間智能調(diào)度的靈活性與動(dòng)態(tài)變化性，預(yù)示了第三階段的研究浪潮。(3)第三個(gè)時(shí)期為 2019 至今。主要的熱點(diǎn)文獻(xiàn)圍繞考慮特殊狀況的調(diào)度系統(tǒng)構(gòu)建技術(shù)，解決不同類型車間、不同時(shí)間階段、不同調(diào)度目的下的智能調(diào)度問題。Gao KZ[30]提出了 DJaya 算法解決新作業(yè)插入的柔性作業(yè)車間重調(diào)度問題(FJRP);Zhang SC[31]提出了一個(gè)分布式蟻群系統(tǒng)來解決具有兩個(gè)相鄰工作區(qū)的柔性制造系統(tǒng)中的生產(chǎn)調(diào)度問題;Gong GL[32]提出了一種混合進(jìn)化算法(HEA)來求解所提出的具有工人靈活性的節(jié)能 FFSP。
共被引網(wǎng)絡(luò)是由施引文獻(xiàn)與被引文獻(xiàn)的連接路徑構(gòu)成的。重要被引文獻(xiàn)的研究?jī)?nèi)容可抽象為領(lǐng)域內(nèi)部，旨在研究該領(lǐng)域的基礎(chǔ)概念和技術(shù)方法，是該領(lǐng)域的知識(shí)基礎(chǔ)。重要施引文獻(xiàn)的研究?jī)?nèi)容可抽象為領(lǐng)域外部，主要對(duì)該領(lǐng)域的研究對(duì)象或應(yīng)用領(lǐng)域進(jìn)行深入研究，是該領(lǐng)域知識(shí)基礎(chǔ)相關(guān)的研究前沿。大多文獻(xiàn)研究多為智能算法的優(yōu)化方法及技術(shù)，如基于反向跳躍跟蹤的路徑重鏈接算法、模因算法(MAs)、Pareto 的分組離散協(xié)調(diào)搜索算法等等，均圍繞實(shí)現(xiàn)智能調(diào)度的方法或技術(shù)，文獻(xiàn)關(guān)鍵術(shù)語也偏向領(lǐng)域內(nèi)部術(shù)語。
6 結(jié)構(gòu)變異性分析
6.1 作者的結(jié)構(gòu)變異性
共被引網(wǎng)絡(luò)的聚類分析圖譜有助于分析該領(lǐng)域的主要研究方向，而鏈接多個(gè)主要集群的重要文獻(xiàn)及作者是影響整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)變異性的關(guān)鍵因子。文獻(xiàn)及作者對(duì)網(wǎng)絡(luò)變異性的影響越大，說明該作者是某個(gè)或某些集群產(chǎn)生的主要源頭，他將原本不關(guān)聯(lián)的兩個(gè)或多個(gè)研究領(lǐng)域之間搭建了新的鏈接關(guān)系�；� CiteSpace 軟件的結(jié)構(gòu)變異性分析功能，可獲得每篇文獻(xiàn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)變異性的影響值以及每篇文獻(xiàn)的引用軌跡。通過分析結(jié)構(gòu)變異性影響值較大的高產(chǎn)或關(guān)鍵作者文獻(xiàn)的引用軌跡，可以洞察該領(lǐng)域主要研究方向的演變路徑以及高影響力研究人員為該領(lǐng)域作出的貢獻(xiàn)。
以 Web of science 核心數(shù)據(jù)庫中 2012 年至 2021 年的文獻(xiàn)為基礎(chǔ)，研究智能調(diào)度領(lǐng)域中的高影響力文獻(xiàn)及作者。首先，將 CiteSpace 軟件中的運(yùn)行參數(shù) LBY 與 LRF 設(shè)置為-1，表征尋找所有文獻(xiàn)的所有引用軌跡。然后，構(gòu)建文獻(xiàn)共被引網(wǎng)絡(luò)聚類圖譜，網(wǎng)絡(luò)模塊度 Modularity Q=0.8935，說明聚類網(wǎng)絡(luò)性能較好。該聚類圖譜為文獻(xiàn)的所有引用軌跡，更適合分析網(wǎng)絡(luò)的結(jié)構(gòu)變異性，洞察具有潛在變革性的文獻(xiàn)及作者。
文獻(xiàn)及作者的結(jié)構(gòu)變異值越大，說明該文獻(xiàn)的作者對(duì)所鏈接集群的貢獻(xiàn)越大。結(jié)構(gòu)變異性值排序第一的文獻(xiàn)作者是 Baykasoglu A(∆Modularity=98.92)，是幾篇具有開創(chuàng)性的論文作者，其文獻(xiàn)引用軌跡鏈接了集群#0 車間調(diào)度、#3 流水車間調(diào)度、#11 離散作業(yè)排列三個(gè)主要集群。結(jié)構(gòu)變異性值排序第三的文獻(xiàn)作者是 Li M(∆Modularity=98.43)，也是一位高影響力作者，其文獻(xiàn)引用軌跡鏈接了集群#2 柔性車間調(diào)度問題、#7 批處理器模式、#9 分布式柔性作業(yè)車間實(shí)時(shí)調(diào)度 ( dfjs-rs )、 #12 能 源 消 耗 四 個(gè) 集 群 。 結(jié) 構(gòu) 變 異 性 值 排 序 第 四 的 文 獻(xiàn) 作 者 是 Zhao F(∆Modularity=98.33)，是多個(gè)領(lǐng)域的研究開創(chuàng)者，其文獻(xiàn)引用軌跡鏈接了集群#0 車間調(diào)度、#1 最小中值法則、#3 流水車間調(diào)度、#11 離散作業(yè)排列、#13 機(jī)群五個(gè)集群。結(jié)構(gòu)變異性值排序第六的文獻(xiàn)作者是 Nguyen Su(∆Modularity=98.27)，是一位高產(chǎn)作者，其文獻(xiàn)引用軌跡鏈接了集群#0 車間調(diào)度、#6 解碼方法、#8 極限工作模式、#13 機(jī)群四個(gè)集群。
7 合作與支撐的網(wǎng)絡(luò)分析
7.1 基金資助信息分析
基金支持是科學(xué)研究的資本保障，是每位研究人員在學(xué)術(shù)研究中重要的項(xiàng)目支撐。因此，研究國內(nèi)外該領(lǐng)域的基金分布情況，能分析該領(lǐng)域的科研水平和技術(shù)分布。以 Web of science 核心數(shù)據(jù)庫中 2012 年至 2021 年的文獻(xiàn)為基礎(chǔ)，對(duì)智能調(diào)度領(lǐng)域的基金資助信息進(jìn)行可視化表達(dá)，依據(jù)頻次對(duì)前 10 項(xiàng)基金進(jìn)行排序。
(1)從資助頻次與中心度兩項(xiàng)數(shù)據(jù)來看，中國國家自然科學(xué)基金均保持最高位。此基金在我國科學(xué)研究規(guī)劃、學(xué)科建設(shè)中占重要地位，因此表明我國對(duì)智能調(diào)度領(lǐng)域的科學(xué)研究具有戰(zhàn)略重視，投資力度較大。
(2)除去國家自然基金科學(xué)基金相關(guān)資助，國家重點(diǎn)研發(fā)專項(xiàng)也是我國智能調(diào)度領(lǐng)域的重要基金來源。為落實(shí)《中國制造 2025》和《國務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見》等頂層文件提出的要求，國家重點(diǎn)研發(fā)計(jì)劃“網(wǎng)絡(luò)協(xié)同制造和智能工廠”重點(diǎn)專項(xiàng)從基礎(chǔ)研究、共性關(guān)鍵技術(shù)、系統(tǒng)與平臺(tái)、應(yīng)用示范四個(gè)方面全方位對(duì)智能制造系統(tǒng)中的相關(guān)研究提供項(xiàng)目支持。智能調(diào)度相關(guān)研究是此國家重點(diǎn)研發(fā)專項(xiàng)中的關(guān)鍵課題。
(3)我國智能調(diào)度領(lǐng)域的基金資助在基金數(shù)量與水平上均已世界領(lǐng)先。歐美日等國家雖然在智能調(diào)度的前沿技術(shù)上有先發(fā)優(yōu)勢(shì)，但從基金分布較零散，沒有形成集中力量支持。對(duì)于基金資助而言，呈體系化集中化的基金資助模式更能促使該研究領(lǐng)域在合理技術(shù)布局的情況下穩(wěn)步快速發(fā)展。
8 結(jié)束語
本文基于 CiteSpace 軟件運(yùn)用文獻(xiàn)計(jì)量方法對(duì) Web of science 核心數(shù)據(jù)庫中過去十年智能調(diào)度領(lǐng)域的相關(guān)文獻(xiàn)以宏觀-微觀-宏觀的形式呈結(jié)構(gòu)化地進(jìn)行知識(shí)圖譜的輸出與分析，主要對(duì)智能調(diào)度領(lǐng)域的學(xué)科演化性質(zhì)、研究熱點(diǎn)、研究前沿、重要集群性質(zhì)、結(jié)構(gòu)變異性、主要合作與支撐關(guān)系的相關(guān)圖譜進(jìn)行了剖析與解讀，對(duì)智能調(diào)度領(lǐng)域的未來研究方向提出以下建議：
(1)智能調(diào)度領(lǐng)域的學(xué)科性質(zhì)為計(jì)算機(jī)科學(xué)與數(shù)學(xué)學(xué)科相輔相成共同解決系統(tǒng)科學(xué)中智能調(diào)度的復(fù)雜問題。人工智能、云計(jì)算、數(shù)字孿生等新興計(jì)算機(jī)科學(xué)技術(shù)與智能調(diào)度領(lǐng)域已經(jīng)深度交融，成為解決智能調(diào)度問題的智力庫和技術(shù)支撐。智能調(diào)度領(lǐng)域應(yīng)增加跨學(xué)科應(yīng)用與合作的廣度與深度。與工程學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科前沿技術(shù)的交叉融合是快速發(fā)展智能調(diào)度相關(guān)研究的重要途徑。
(2)機(jī)器學(xué)習(xí)與智能算法、物聯(lián)網(wǎng)、柔性作業(yè)車間調(diào)度、節(jié)能調(diào)度[33]等研究方向是智能調(diào)度領(lǐng)域近十年的研究熱點(diǎn)。人工智能算法在智能調(diào)度領(lǐng)域的適應(yīng)性研究是智力基礎(chǔ)，例如遺傳算法、禁忌搜索算法、粒子群算法、蟻群算法、混沌搜索算法、人工神經(jīng)網(wǎng)絡(luò)、模擬退火算法、帝國競(jìng)爭(zhēng)算法等及其優(yōu)化算法、混合算法的相關(guān)技術(shù)研究。物聯(lián)網(wǎng)技術(shù)在智能調(diào)度領(lǐng)域的應(yīng)用性研究是硬件支撐，例如無線傳感網(wǎng)絡(luò)、RFID、云計(jì)算、5G 等運(yùn)算儲(chǔ)存技術(shù)與傳感技術(shù)相關(guān)研究。柔性作業(yè)車間調(diào)度、節(jié)能調(diào)度、動(dòng)態(tài)調(diào)度、分布式協(xié)同調(diào)度、實(shí)時(shí)調(diào)度等是基于實(shí)際產(chǎn)業(yè)情境的細(xì)分垂類調(diào)度相關(guān)問題研究，是健全智能調(diào)度領(lǐng)域技術(shù)布局與提升應(yīng)用適配度的關(guān)鍵性研究。
(3)柔性作業(yè)車間重調(diào)度、節(jié)能調(diào)度、異構(gòu)分布式協(xié)同調(diào)度系統(tǒng)、新型群智能優(yōu)化算法等研究方式是智能調(diào)度領(lǐng)域的研究前沿。面向傳統(tǒng)車間或其他系統(tǒng)的相關(guān)技術(shù)與方法已經(jīng)成熟，但當(dāng)智能調(diào)度技術(shù)真正介入實(shí)際系統(tǒng)時(shí)會(huì)產(chǎn)生許多新問題，而且在綠色生產(chǎn)、智能工廠等新系統(tǒng)模式的驅(qū)動(dòng)下，必須進(jìn)行考慮實(shí)際系統(tǒng)運(yùn)行機(jī)制和新產(chǎn)業(yè)模式的智能調(diào)度相關(guān)技術(shù)研究。例如解決新作業(yè)插入的柔性作業(yè)車間重調(diào)度問題(FJRP)需要著重關(guān)注車間智能調(diào)度的靈活性和動(dòng)態(tài)性;考慮能耗的綠色調(diào)度、節(jié)能調(diào)度相關(guān)研究應(yīng)聚焦減少能耗的約束調(diào)度技術(shù);考慮異構(gòu)分布式環(huán)境下動(dòng)態(tài)調(diào)度的相關(guān)研究需基于云服務(wù)平臺(tái)將異構(gòu)數(shù)據(jù)、應(yīng)用、信息整合，利用協(xié)同智能算法實(shí)現(xiàn)調(diào)度;等等。不斷更新的調(diào)度問題對(duì)智能算法靈活性、魯棒性、自組織性的要求都有所提升。新型群智能算法是未來智能調(diào)度技術(shù)的研究方向，此類算法具有全局搜索能力強(qiáng)、求解速度快的優(yōu)勢(shì)。例如菌群優(yōu)化算法、鴿群算法、果蠅優(yōu)化算法、混合蛙跳智能算法、螢火蟲算法等等。
(4)從基金資助支持和重點(diǎn)研究機(jī)構(gòu)數(shù)據(jù)可以看出，我國在智能調(diào)度領(lǐng)域的研究廣度具有一定領(lǐng)先性。基金支持力度與研究機(jī)構(gòu)覆蓋度表明我國智能調(diào)度領(lǐng)域的綜合研究實(shí)力處于先進(jìn)水平。但還需要加強(qiáng)該領(lǐng)域的研究深度與前瞻度，努力提高對(duì)該領(lǐng)域研究網(wǎng)絡(luò)結(jié)構(gòu)變異性的影響力。
參考文獻(xiàn)：
[1] ZHANG Jie, QIN Wei. Intelligent manufacturing scheduling first—a guide of manufacturing systemintelligent scheduling method and cloud service[J]. China Journal of Mechanical Engineering, 2019,30(8): 1002-1007 (in Chinese). [張 潔，秦 威. 智能制造調(diào)度為先——《制造系統(tǒng)智能調(diào)度方法與云服務(wù)》導(dǎo)讀[J].中國機(jī)械工程, 2019, 30(8): 1002-1007.]
[2] SHI Jincheng, GUO Hongfei, ZHANG Ru, et al. Bibliometric analysis of Internet of things usingknowledge mapping[J]. Computer Integrated Manufacturing Systems, 2021, 27(1): 228-239 (inChinese). [史進(jìn)程, 郭洪飛, 張 儒, 等. 基于知識(shí)圖譜的物聯(lián)網(wǎng)研究文獻(xiàn)計(jì)量分析[J].計(jì)算機(jī)集成制造系統(tǒng), 2021, 27(1): 228-239.]
[3] LV Youlong, ZHANG Jie. Big-data-based technical framework of smart factory[J]. ComputerIntegrated Manufacturing Systems, 2016, 22(11): 2691-2697 (in Chinese). [呂佑龍, 張 潔. 基于大數(shù)據(jù)的智慧工廠技術(shù)框架[J].計(jì)算機(jī)集成制造系統(tǒng), 2016, 22(11): 2691-2697.]
[4] WANG J, ZHANG J. Big data analytics for forecasting cycle time in semiconductor wafer fabricationsystem[J]. International Journal of Production Research, 2016, 54(23): 7231-7244.
[5] LV Haili, ZHU Jiatao, WANG Zhengguo, et al. Research on just-in-time scheduling of assembly jobshop[J]. Journal of Mechanical Engineering, 2021, 57(5): 157-165 (in Chinese). [呂海利, 朱家濤, 王正國, 等. 裝配作業(yè)車間的 JIT 調(diào)度研究[J].機(jī)械工程學(xué)報(bào), 2021, 57(5): 157-165.]
[6] ZHANG M., TAO F., Nee A.Y.C. Digital twin enhanced dynamic job-shop scheduling[J]. Journal ofManufacturing Systems, 2021, 58: 146-156.
作者：?jiǎn)桃坏�，陳登凱，王晗宇，謝 凝
轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/30309.html
