付兵9月10日 闻道-供应链思维上发表了一篇文章供应链计划问题，为什么需要三种完全不同的算法？解码Blue Yonder算法引擎的商业智慧 讨论了Blue Yonder的三种算法：

（1）LPOPT采用全局优化（线性规划）

（2）MAP采用启发式（逐单计划）

（3）Deep Tree采用递归分层算法。

说一下我对这三种算法的理解。

在我看到这篇文章后，问了付兵一个问题：这是基于Blue Yongder最新方案吗？感觉与20年前i2 FP的方案理念没什么差别。（i2最早起家的方案是FP 工厂计划，在互联网泡沫后陷入困境，2010年被JDA收购，2021年JDA被松下收购后，更名为Blue Yongder）。

付兵的回答：根据19年做的研究写的，而前两个是ESP的。

我的理解：经典的东西不会变，付兵写的Blue Yongder三种算法的核心内容，与我在2005年学习i2 FP的内容的核心理念未变。此文是根据我对i2 FP理解，写的想法。

一、LPOPT全局优化的线性规划

付兵原文中提出问题：如何制定一个生产和分销总计划，才能让整个公司的总利润最高（或总成本最低）？

而这个问题，是通过全局优化的线性规划。总利润最高（或总成本最低）是优化目标，而方法是通过线性规划的方式。

但是总利润最高（或总成本最低）的优化涉及财务信息。我不清楚现在Blue Yongder是如何制定优化目标，在早期版本中，是根据订单优先级来优化。

比如：在手订单小于产能时，有订单就接收，通常情况下订单都是盈利的，这无须算法优化。只有到了订单量和产能接近，或者订单量大于产能时，线性规划是根据订单优先级来优化，订单优先级高的优先计划。

而订单优先级的设定，就是比较关键的。如果订单优先级没有根据利润率、客户重要性做区分，订单的优先级是按照交货时间由近到远、订单批量由小到大的顺序排列。即交货期越近的优先级越高，订单批量越小的的优先级越高。

当然实施项目时，可以根据需求，自行设定优先级。

在学习FP资料时特别好奇，为什么按这个交货时间，订单批量设定优先级。所以特别关注优先级设定这一块，后来看了排程算法才知道，按照这个规则交付订单数量最大，延迟交付订单最少。

所以制定一个生产和分销总计划，让整个公司的总利润最高（或总成本最低）是目标，而通过设定订单优先级，将财务目标和计划目标解耦。

二、MAP采用启发算法（逐单计划）

在i2 FP刚刚诞生时，计算资源还是非常稀缺的。

在i2工作时，同事讲过一个故事：华为刚开始做集成供应链项目时，每月一次计划的时间要接近20小时（第一天晚上运行计划、要到第二天中午才能完成计划，需要在第二天工作时间前做完计划）。为此华为不惜重金，要求i2派最优秀的专家优化，保证计划时间的及时性。

因此早期计划，对所有产品、所有区域完全计划是非常消耗资源的，通常是一个周期（月、周）做计划，当有调整时，针对单个产品、单个物料做计划。

每次计划根据预测需求量制定计划需求量，如下图，七月份的产品A的需求预测量是180，但经过团队确认的未来计划需求量是160，未来生产的产能计划是按160的量来计划的。

计划完成后，这160的计划量中，已经有一些订单，这些是分配订单，剩余的生产量，留给ATP，这个ATP就是可以接受的新订单量。

如果ATP大于零，可以接受订单，一旦ATP=0时，再有新订单进来，就需要是否考虑接受新订单，这时的新选择无非：加班、增加设备、产能外包，或者甩掉不重要订单。无论哪种选择，都需要更改设置，针对这个订单影响的产品、设备、原料重新计划。

这个就是启发式算法。

三、Deep Tree采用递归分层算法。

在付兵的文章中，第三部分介绍的分层算法（ICP -> CAO -> AS），这里我不再赘述。

只想说的是如果对于所有资源都采用递归分层算法，资源消耗是很大的。

因此CAO通过计划保证大颗粒度（长周期，地点汇总、产品系列）的产能与生产的相对平衡后，排产是需要小颗粒度（时间维度天、小时、分钟；地点维度车间、设备；产品维度具体产品）的生产能够执行。

分层的优点在于保证大颗粒度的相对平衡后，小颗粒度排产是在计划的框架内执行，通常不会在排产阶段去修改计划，从而保证计算资源的合理的使用。

而排产的优化空间在于生产批次的汇总。一种生产包括准备时间、生产时间、冷却时间；合理排产，将相同品类的生产集中生产，可以提高效率。

比如汽车喷漆，从红色转化成蓝色需要有较长的冷却、准备时间。将红色汽车、蓝色汽车的生产汇总。

来源：微信号xuyongshuo-work

作者：许永硕

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。