Исследование стратегии оптимизации онлайн-планирования заказов EDI в производственных предприятиях на основе изменяющихся во времени цепей Маркова

Почему интеллектуальное планирование заказов важно

Когда вы покупаете товар, который изготавливается по заказу, вы, вероятно, рассчитываете получить его вовремя, даже если нажали «заказать» в последнюю минуту. За кулисами фабрики управляют потоком электронных заказов от многих клиентов, одновременно обрабатывая ранее спланированные заказы. В этой работе рассматривается, как традиционные производственные предприятия могут использовать математическое моделирование и эффективные поисковые алгоритмы для более разумного планирования таких онлайн-заказов, сокращая время ожидания клиентов без чрезмерной нагрузки на людей или оборудование.

Рост постоянных электронных заказов

Многие производители теперь принимают заказы двумя способами одновременно: классические «офлайн» заказы, которые прогнозируются и планируются заранее, и онлайн-заказы через электронный обмен данными (EDI), поступающие напрямую из систем клиентов. EDI‑заказы обрабатываются быстрее, с меньшим числом ошибок и дешевле, но они также более нестабильны: клиенты могут переносить даты вперед или назад либо отменять заказы в короткие сроки. Клиенты, использующие EDI, часто требуют очень узких окон доставки, с допуском в несколько дней, поэтому фабрики не могут просто ставить такие задания в очередь по принципу «кто первым пришёл». Вместо этого каждая производственная линия должна обслуживать сразу несколько EDI‑заказов параллельно, распределяя между ними своё время. Этот переход от поочерёдного к одновременному обслуживанию создаёт новый тип задачи планирования, для которой существующие инструменты не были изначально рассчитаны.

Преобразование фабрики в систему очередей

Автор моделирует онлайн‑часть EDI‑заказов как систему очередей, подобную очередям в банке, где кассиры обслуживают нескольких клиентов на разных стадиях оказания услуги. Время делится на короткие слоты, и заказы приходят случайно с интенсивностями, которые могут меняться от слота к слоту в течение дня, отражая реальные пики и провалы спроса. Каждая линия может одновременно работать над несколькими заказами до заданного предела, а скорость выполнения каждого заказа зависит от числа параллельно обрабатываемых заданий. Модель также учитывает практические ограничения: работникам требуется отдых между сменами, существуют пределы длительности смен, и в каждом временном слоте должна работать хотя бы одна линия. Кроме того, предприятие стремится держать вероятность чрезмерно длинной очереди очень низкой, а не просто сокращать среднюю длину очереди, поскольку большие накопления быстро ухудшают качество обслуживания и доверие клиентов.

Использование вероятностных инструментов для оценки эффективности

Для оценки любого предложенного расписания исследование использует математическую конструкцию, называемую меняющейся во времени цепью Маркова, в сочетании с приёмом, известным как унификация (uniformization). Проще говоря, это позволяет отслеживать, как по мере поступления и выполнения заказов меняется вероятность каждого возможного состояния системы (сколько заказов ждут и обрабатываются на каждой линии) во времени. На основе этих вероятностей модель вычисляет ключевые показатели: сколько времени заказы проводят в системе, как часто очереди превышают безопасный порог, сколько линий работают в каждом слоте и насколько вероятны переработки у работников к концу дня. Существенно, этот аналитический метод даёт очень точные оценки значительно быстрее, чем масштабные компьютерные имитации, что делает практичным оценивание множества альтернативных расписаний при поиске улучшений.

Стратегия поиска, которая находит лучшие расписания

Опираясь на этот оценочный механизм, статья разрабатывает алгоритм Variable Neighborhood Search (VNS) для поиска эффективных расписаний. Он начинается с разумного начального плана смен для производственных линий, а затем многократно «взбалтывает» план, случайно изменяя несколько смен, после чего выполняются локальные пошаговые корректировки: подвигание времени начала и окончания, добавление или удаление смен, сдвиги вперёд и назад. После каждого изменения метод на основе цепей Маркова быстро пересчитывает времена накопления, переработки и операционные затраты. Если новое расписание показывает лучшие результаты, алгоритм сохраняет его как новую отправную точку; если нет — пробует другой тип изменений. Испытания на реальных данных заказов от производственной компании, охватывающих как обычные дни, так и дни с наплывом срочных EDI‑заказов, показывают, что VNS находит расписания, превосходящие как существующие планы компании, так и известный эвристический метод «симулированного отжига», при этом затрачивая значительно меньше вычислительного времени.

Что это означает для фабрик и клиентов

Для неспециалистов суть в том, что этот подход помогает фабрикам решать, когда запускать каждую линию и сколько заказов обрабатывать параллельно, чтобы клиенты ждали меньше без резкого роста переработок или загрузки оборудования. Модель надёжно держит очереди под контролем, сглаживает пики нагрузки, лучше согласуя мощность с входящим спросом, и остаётся эффективной даже при ослаблении предположений о временах обработки. На практике это означает более предсказуемые сроки доставки для клиентов, более эффективное использование производственных ресурсов и большую устойчивость к внезапным всплескам онлайн‑заказов — ключевые составляющие ориентированного на человека и гибкого видения производства, связанного с Индустрией 5.0.

Цитирование: Wulan, Q. Research on online EDI order scheduling optimization strategy in manufacturing enterprises based on time-varying Markov chains. Sci Rep 16, 8086 (2026). https://doi.org/10.1038/s41598-026-39708-9

Ключевые слова: онлайн-планирование EDI, умное производство, оптимизация производственной линии, управление очередью, Индустрия 5.0