面對動蕩復雜的市場環境，端到端的供應鏈必須快速響應需求、高效率的成本與可持續性優化，實現多層次渠道、工廠間的預測、計劃、倉儲、運輸、交付的同步化，最大化減少孤島系統所導致的延遲。
復雜業務問題的優化一般有幾個特征：
1、具有可能性的方案數量巨大，無法全部評估。
2、隨時間或場景動態改變。
3、會受到極大的約束，以至于無法找到方案。
4、大部分約束變量都是互相依賴的。
5、大部分的目標是互相矛盾的。
復雜優化算法的幾個特點：
1、啟發算法尋找局部最優解，企圖以這種方式獲得全局最優解。
2、對于NP完全問題，還沒有找到快速解決方案。
3、面臨NP完全問題，最佳的做法是使用近似算法。
4、貪婪算法易于實現，運行速度快，是不錯的近似算法。
5、運籌算法動態規劃與線性規劃：在多個約束條件下，尋找最優解。
6、隨機仿真可能有更好的解決方案
7、并行算法與分布算法
8、智能算法（遺傳算法、機器學習、深度學習）
企業數字化的進程分為對信息的反映、分析、預測、決策四個層次。其中信息的反映和分析主要是面對過去的，其集大成的管理信息系統就是這幾年興起的ERP；預測、決策主要是面對未來的，以集成信息反映見長的ERP，事實上在西方已經悄悄地向數字化決策轉換了。企業決策的核心部件APS高級計劃排程已被集成到ERP這個平臺，并在提高物流效率上起到了顯著的作用。
APS供應鏈優化就是在未預料的事件發生后，實時的供應鏈重計劃，保證持續優化的可行的計劃，保證按事先定義的業務規則，對整個供應鏈系統進行重計劃并且使財務得到優化。
當今企業的供應鏈網絡變得日益復雜和動態，企業的分銷渠道也不斷擴展，多層供應商基地日漸擴展，企業越來越依賴委外(outsourced)制造及物流，管理異常事件不再是一種偶發的要求而己成為了司空見慣的事。某個供應商或甚至他的供應商發生的故障，都影響到企業履行對顧客的承諾的能力。為了克服這些挑戰，企業必須有效地管理整個供應鏈網絡，企業目前是否能做到：
1、實時的進行分銷商、顧客、及供應商協同
2、查詢企業的整個全球供應鏈，包括企業的供應商的供應商
3、根據物料和資源約束，優化企業的供需計劃
4、迅速地鑒定異常事件及以最優的解決方案
在過去的30年內，高級計劃排程(APS)的市場開始繁榮起來。根據Advanced Manufacturing Research (AMR)報道，APS市場將在隨后的幾年以60%的速率增長。Pittigilo Rabin Todd & McGrath公司通過一項調查得出統計結果，企業實施完整的供應鏈APS后，可獲得以下效益：
1、發貨能力提高16%-18%
2、庫存減少25%-60%
3、訂單交貨周期縮短30%-50%
4、預測準確性提高25%-80%
5、總體生產率提高10%-16%
6、供應鏈成本降低25%-50%
7、補給率提高20%-30%
8、產銷量提高10%-20%
現在，大約有國內外幾十個APS供應商在這個發展的市場上尋找自己的位置。對于如何理解APS基本方案之間的區別、每一個方案的優勢和弱勢、以及在特殊的制造環境中哪一個方案運作的最適合尤其重要。
計劃和排程的區別對于新的APS產品來講已變的模糊不清，而且它的性能也在不斷的提高。如果制造商對客戶需求的響應越來越強烈，計劃和排程的區別將會徹底消失。幸運的是，新的APS系統正在向這個方向發展，并且離這個目標越來越近。目前，我們對于APS的關注受到對傳統的計劃MRP系統不認可的驅動。
但是第一代APS系統重點放在尋找更好的算法，不過它們都有一個共同的弱點是數據的實時采集和大數據的處理，如不能及時獲得和處理動態的數據，它就違背了工廠的動態性、實時性，也阻止了APS系統反映真實的世界。更重要的是，它們不能滿足快速響應客戶新的需求。
APS是基于約束發展出來的新的高級計劃。當然，我們不能僅僅考慮一個約束。因為約束很少是獨立的，所有約束之間都是相互關聯的。所以約束問題是比較復雜的，這是我們不得不接受的事實。
約束的研究開發已經引起了世界各個領域的專家的高度注意，因為它是最具有潛力解決現實中困難的問題，不僅僅具有很強的理論研究的潛力，而且也廣泛吸引商業的利益。特別是在對變異中建模優化與滿意問題上，正好符合企業管理和供應鏈管理的復雜性。所以，并不奇怪一直是被Association for Computing Machinery(ACM) 計算機協會所定義為作為計算機研究的戰略方向之一。但是，至今CP約束規劃(Constraint Programming)仍然是世界上了解最少、運用較少的技術之一。
在人類努力的大多數領域里，約束在不斷增加，它們在物理世界形成互相依賴。但是，它們的數學概念卻自然清晰。約束是在一些未知或變化里的簡單邏輯關系，在給定的領域里，每一個約束取一值，于是就限制了變化帶來的可能的值。關注所關心的變化，約束當然也可以是不協調的。約束的重要特點是它們的可以申明的方法及規則，如他們規定必須保持規則關系來加強此關系。
約束規劃是基于約束的計算機系統的研究。約束規劃的概念是詳述問題的約束規則來解決問題，結果是找到讓所有的約束都滿意的方案。但是，目前約束規劃仍還在圣杯中追尋的計算機科學的最現代的方法之一。APS約束規劃已經成功應用到許多不同商業領域，就和分析DNA結構一樣是多樣化。在醫院的時間表和工業領域上的排程應用上，實踐證明它是能較好的解決現實的問題。
因為，許多應用領域需要約束，分派問題也許是第一個工業應用約束解決的工具。典型例子是機場位置的分配，飛機必須停在可用的位置(巴黎機場)，出發大廳的柜臺分配(香港國際機場)，另外的例子港口船停泊的位置的分配(香港)。
用甘特圖來描述計劃，有限約束的排程問題可能是最成功的商業應用領域。約束自然表達了現實的限制。基于約束的高級計劃排程APS被用于基于事件的排程，如工業的生產計劃(InSol)或軍隊和商業的飛機的制造計劃(Dassault Aviation)。多品種、小批量、按需求制造的趨勢使得APS的約束規劃使用率大大增加。
另外較大的約束應用領域是供應鏈網絡管理與配置，這些問題包括網絡的優化配置計劃、優化的運輸計劃、供應鏈的能力承諾等。實際上，有許多領域已使用約束技術，近來應用包括計算機圖形、自然語言處理(有效語句的建設)、數據庫系統(保證數據的一致)、分子生物學(DNA的排序)、商務運用、電子工程、電路的設計、運輸問題等。
但是，在現實中對約束規劃廣泛的運用存在一些局限和缺陷。因為當前使用的工具有一定的局限和沒有涉及到的領域。其實，約束規劃欲解決的問題大多是非常難的問題。無論是從理論上還是實際的觀點來看。約束的定義能促使問題可追蹤是非常重要的。然而，當大部分的方法都難解決的難題時，約束規劃是否有效性仍然是不可預測的、何時、如何使用約束。
由約束系統的使用者陳述大部分的問題來穩定約束模型，在程序里或在數據里的較小的改變都能導致系統性能上戲劇上的變化。不幸的是，在穩定執行多樣的數據的變化性能調整上，目前的技術水平還未較好掌握。
有時盲目的快速搜尋，簡單按時間順序后排或前排可能比高級算法技術約束更加有效。在許多約束模型里的特別問題要考慮成本優化，它是對改善起初的方案是非常困難的。因為，可能一個小的改善就會花去很多時間。在實時的方案和最好的方案之間交替出現。
約束規劃在一些觀念上更加先進，可以動態增加約束。大部分情況下，約束規劃系統產生的計劃是可執行的。除了機器故障、延遲的計劃。在最壞的情況下，新訂單的接受，需要快速的重排計劃或提高當前的方案來處理未預料的事件。通常，最優的計劃方案和可以處理較少差異的、穩定的、次優化的方案之間交替迭代。
當前的約束滿意系統的缺陷標志著未來研究發展方向。在它們之間建模看上去是最重要方法之一是已經開始研究使用全局約束。要把主要的約束開發到更有效的APS軟件包需要更有效的建模語言來表示約束問題。目前，大部分約束規劃CP軟件包要么是程序語言的延伸(CLP)，要么是用程序語言庫(ILOG Solver)。約束建模語言和可視建模語言被用來從可視圖形產生約束規劃(VisOptVML)。
目前，可視化的技術越來越流行，可以定義系統的瓶頸，對可視化的控制研究也是約束規劃的重要內容之一。
各種約束解決方法的交互研究是最具挑戰的問題之一。混合算法結合各種約束技術是這個研究的結果。另外最令人吸引的研究領域就是解決協同和對應的集成理論，約束滿意技術和傳統的運籌OR(Operation Research)方法如整數規劃也是是另外的挑戰。研究平行和并行的約束已作為提高效率的重要方法，在這些研究領域里，多層代理技術看上去最有前景。
在眾多公司運用供應鏈高級計劃的時候，發現所能給自己帶來的改進收益大大超過成本節約的措施所帶來的收益。而且，APS能夠在加強整個供應鏈響應方面發揮更大作用。
人們在從幾個月到甚至幾年的時間軸上建立約束模型，從而考慮物料和能力方面的問題，設定生產的優先等級。高級計劃排程系統運行在獨立的服務器上，并常駐內存進運算。運算使用的也是特殊開發的運算程序，這樣可以考慮在當時狀態下的物料、能力和其他的約束條件，產生相應的生產計劃。運算的速度既要滿足計劃的靈活多樣性，也要能夠讓用戶模擬計劃時的實際情況，計算出可能交付的時間。
高級計劃排程系統的最初運用是在一個企業的范圍內進行計劃的運算和優化，但它被擴展到供應鏈的計劃，這包括供應商、分銷商和出貨點的需求。不同的軟件供應商選用不同的優化算法搭建自己的高級計劃排程系統軟件，這對其自身也是挑戰。
比方說，高級計劃排程不是簡單應用某一項技術，優化算法有很多種，需要根據解決不同的問題來決定采用哪種算法引擎。供應鏈與制造過程上的現實問題是相當復雜的。即使是今天，如果不運用一定的歸并運算，性能再高的計算機也是沒法設定相應的運算模型，計算相應的計劃結果的。另外，如何把不同的系統數據整合在一套高級計劃排程系統識別的環境下，這也是面臨的一項艱巨的任務。
在高級計劃排程系統中除了包含傳統的優化算法方法，比如：線性運算和復合整數運算，還包含了許多種啟發式算法。要比較各種啟發式算法的孰優孰劣是一件非常難的事，它們難分高下。
啟發式算法的參數設置不同，其相應的運算性能也會大大的不一樣。即使有人對各種啟發式算法作過認真比較，在實際的運用中還是不能單純依據比較的優良結果選擇計劃的啟發式算法。這應該考慮許多方面的內容，綜合平衡以下的多方因素來定：計劃結果的質量高低需求、不同算法的準確性（以解決不同類別問題時，該算法運算結果同優化算法結果的差距來衡量）、做該運算要付出的努力。總而言之，運算結果的優良是要仔細檢查的。
高級計劃排程系統包含的某些算法是把幾種存在的算法合并在一起形成新的綜合性運算；比方說，解決約束問題的算法可以歸類為以下幾個方面:
1、系統搜索法：先運算再測試法，反向跟蹤法。
2、一致性計算法：節點一致性計算法，弧形一致性計算法，路徑一致性計算法，約束路徑一致性計算法。
3、約束傳播算法：后向算法、后向跳躍算法，后向檢查算法，后向標記算法。前向算法，前向檢查算法。局部前查算法。
4、隨機算法和推導算法：爬山法，最小沖突算法，隨機算法，Tabu搜尋算法，連接算法。
然而，如果是求約束條件下的最優解，推薦的算法通常是非常有名的分枝定界算法(Branch & Bound)。
約束規劃CP（Constraints Programming）以啟發約束為基礎的計算系統，它的構想是針對問題所描述的約束或需求尋求滿足所有約束的解決方法來解決問題。CP約束規劃也是解決復合條件問題的方法。約束規劃的起源是對編程語言的研究，而并非是對企業運作的研究，它的目的是盡量減少編制求解復合條件問題算法程序的工作量。一個約束條件軟件包包含了最基本的一些算法，由此形成約束系統里推導最佳解的基礎。
基于許多約束條件不斷推導最優解的算法是一種基本的程序編程中的軟件包。它運用最基本的運算方法實現非決定性的推導算法。這種類型的算法除了包括線性方程求解算法、區向推導、布爾整合算法，還包含近期發明的邊界探測法。基于這種算法產生了計劃排程的應用程序。
約束規劃的一項缺陷是缺乏對模型創建的支持。優化算法語言的開發人員在開發的過程中，確實曾經試圖把約束規劃的強項同代數的建模運算功能整合在一起。通過比較，人們可以發現約束規劃同整數編程算法間的緊密聯系。
過去十幾年來，約束規劃已經引起許多不同領域的學者的重視。現在，約束規劃具有完整的理論基礎，應用于解決復雜問題，提供廣泛的商業用途，特別是在異質性最優化問題(Heterogenous Optimization)和滿意問題(Satisfaction Problems)的應用。然而，約束規劃目前仍是處于深入研究和開發的科技領域之一。
約束(Constraints)是用來代表幾個未知數或變數之間的一種邏輯關系，每一個變數具有一組可能的值域(Domain)，該約束將會規范這些變數值的可能組合。例如，正方形S內含一個圓形C；某一英文字W的長度有10個字母；X小于Y；三角形內為180度；倉庫內的溫度必須控制在0~5°C；某某在周三下午2:00之后可以出席演講會；生產過程中的產能、物料、工裝模具、人力約束。等等。
約束可以使用這些方式來表示：(1)，使用數學或邏輯形式。(2)，使用表列形式。
約束規劃問題包括：一組變數，每一變數有一組數值，既值域(domain)；一組約束式，約束規劃的解(Solution)是滿足所有約束式的一組完整的變數值。
約束規劃的形成由:
(1)、人工智能(Artificial Intelligence)的影像標示問題(Scene Labelling, Waltz 1975)。
(2)、互動圖形(Interactive Graphics)的畫板(Sketchpad,Sutherland 1963)和題庫(ThingLab, Boring1981)。
(3)、邏輯規劃(Logic Programming)，統一(unification)約束解題(constraint solving) (Gallairo1985,Jaffar&Lassez1987)。
(4)、運作研究和離散數學的NP-hard優化組合問題。
約束規劃的求解技術可分為：
1、約束滿意問題(Constraint Satisfaction Problems)
2、約束最優化問題(Constraint Optimization Problems)
3、超約束問題(Over-Constrained Problems)
4、約束解題(Constraint Solving)
約束滿意問題：一組變數，X={x1,x2,x3,x4}。每一變數都有一組有限集合，稱為值域。變數的值不是必然是整數值或實數值。一組約束式來規范變數的值。約束滿意問題的解是根據每一變數的值域指派一個數值，同時可以滿足所有的約束條件。只要一個解，不偏好那一個。一個最優或滿意的解，是基于目標函數值。約束滿意問題的解可以由系統化搜尋各種可能的變數值而產生，搜尋方法可分為二大類型：部分數值指派法(Partial Value Assignment)；窮舉數值指派法(Explore Complete Assignment)。
系統化搜尋：系統地探索所有可能的指派數值空間。所謂系統化即指每一種評估將有機會出現。系統化搜尋的優點在于完整性，即如果問題有解，則必可搜到；其缺點是可能會花費相當多的時間尋找答案。系統化搜尋可分成二大類：一是完整探索指派法(Explore Complete Assignment)，包括產生測試法(Generate and Test，GT)。二是延伸部份指派法(Extending Partial Assignment)包括后退追蹤法(Back tracking)，后退跳躍法(Back jumping)，后退標示法(Back marking)等。
產生測試法(GT)的構想是首先隨機產生完整的變數標示值，接著測試這些標示值是否滿足約束式。如果是滿足，則顯示已經找到的一個答案，否則繼續產生其它的標示值。產生測試法(GT)是相當沒有效率，因為其產生器不具任何學習性。因此造成許多不一致情形。改善的產生測試法(GT)的方法有二，其一是使產生器具有學習評估功能，通常利用隨機演算法來改善；其二是產生器和測試器合并為一，能立即判斷變數標示值是否可行，例如后退追蹤法（BT）。后退追蹤法(BT)是從一組部份解，基于重復挑選其他變數的值逐漸延伸成一組完整的解，而這些變數值的標示方式是和目前部份解的值一致的。換言之，后退追蹤法是依一定順序來標示變數值，當某一約束式的變數群都有標示，則立即檢查該約束式的合理性。如果一組部份解違反其中的約束式，后退追蹤法將會針對最后標示的變數挑選其他可能的標示值，因此可以消除不可行的變數值域空間。
后退追蹤法(BT)至少有三個缺點：痛擊(thrashing)，有重復犯錯的機會。累贅作業(redundant work)。未及時發現沖突現象(late detectionof the conflict)。解決前二個缺點的方法有后退跳躍法(Back jumping)及后退標示法(Back marking)。而第三個缺點可以用一致性技術(Consistency Techniques)加以改善。
一致性技術(Consistency Techniques)
一致性技術(CT)是由變數值域中將不一致的數值逐一移除，直到答案出現，基本上是屬于確定性搜尋法(deterministic search)。應用一致性技術時，通常將約束規劃問題表示為約束網絡圖形(constraint networkgraph)，其中節點代表變數，連線代表為約束式。最單純的一致性技術應該屬于節點一致性(nodeconsistency，NC)，主要方法是將變數值域中與單一約束式(unary constraints)數值移除。
應用最廣泛的一致性技術應屬于弧線一致性(arc consistency，AC)，其方法是變數值域中與二元約束式(binary constraint)不一致的數值移除。其主要作法是不斷地修正弧線直到一致性狀態成立或是某值域成為空集合。其中最常用到的是演算只針對先前修正過的相關弧線重新考慮修正；而需要基于用資料結構來查核配對變數值的一致性。尚有一種路徑一致性(path consistency，PC)技術，針對配對變數(X,Y)的數值，在順著X和Y之間的路徑中，檢查是否存在一數值能滿足其所有二元約束式。
約束傳播(Constraint Propagation)技術
約束傳播技術主要是應用回朔方式(Look Back schema)，對于已經啟動過的變數進行一致性查核。其中后退追蹤(BT)是屬于此項技術最簡單的一種,此外尚有后退跳躍(BJ)，后退檢核(Back Checking，BC)，后退標示(BM)等。
所有回朔方式都有一個缺點，即無法及早診斷出沖突(late detection of the conflict)。因此又提出提前檢查(Look Ahead schema)的策略來避免產生以后的沖突。提前檢查的策略包含向前檢查(Forward Checking，FC)，部份提前檢查(Partial Look Ahead，PLA)，完整提前檢查(Full Look Ahead)等。
隨機和啟發式演算法(Stochastic and Heuristic Algorithm)
貪婪局部搜尋策略(greedy local search)已經成為相當普遍的方法，這些演算法逐次地針對所有變數修正其不一致的指派值，以達到更完整的解，另一方面，為避免陷入局部最小值(local minimum)，采用不同的啟發式方法隨機搜尋功能。
爬坡法(Hill-climbing)是最普遍的一種局部搜尋方法，一開始先隨機地產生一組變數標示值，接著在每一迭代步驟中，修正某一變數的值以滿足更多的約束式。如果已經產生一組嚴格局部最小值，則該演算法再度重新隨機地產生另一組初始解進行搜尋，直到全域最小值(global minimum)找到為止。
最小沖突法(min-conflicts，MC)隨機地挑選任何沖突的變數，再選擇一個數值使不滿足的約束式為最少。
禁忌搜尋(Tabu search，TS)是根據一種禁忌清單的想法，選擇保留過去搜尋的經驗及記憶，以避免重復循環地搜尋作業及陷入局部最小值。
約束最優化問題(Constraint Optimization)
約束最優化問題包含一組標準約束滿意問題及一個最優化目標函數，將所有的解標示成一個函數數值。分支界限法(Brand and Bound，B&B)是約束最優化問題中最廣為使用的技術，以尋找最優解。
超約束問題(Over Constrainted Problems)
當問題的約束是相當繁多時，有可能無法產生滿足所有約束式的解，此種系統稱為超約束(Over-Constrainted)，處理超約束系統的方法有部分約束滿意(Partical Constraint Satisfaction)及約束層級法(Constraint Hierarchies)。
部分約束滿意法是設法從部分變數中找出一組滿足部分約束式的數值，逐次尋找出最好的一組解。約束層級法將約束式區分為軟性、強性、或偏好的約束式，構成一種約束式的層級，接著從最強的層級開始處理約束式，直到最弱層級。
局限及困境(Limitations)
許多約束規劃所解決的問題都屬于NP-hard組合優化難題，因此如何判斷出問題是否可以解決是相當關鍵性。此外，求解之速度也是必須要考慮的。約束模式的穩定性是一般約束規劃使用者最共同的問題，亦即當規劃程序或數據稍作更動，往往會引起演算效率極大的差異。如何選用適合的約束滿意技術來解決特定問題也是另一個重要的內容。
APS高級計劃排程系統的優化(Optimization)主要算法分類分析
第一類：數學規劃類，較適用于供應鏈計劃、戰略計劃如網絡選址、尋源等。
第二類：啟發式規則算法（約束理論或模擬仿真等），較適用于工廠戰術計劃或車間運作計劃如生產排產調度等。
第三類：人工智能，較適用于有復雜大量的可能方案優化選擇。
APS高級計劃排程系統優化算法主要分四代：
第一代：基于約束理論的有限產能算法。
第二代：基于規則的算法。
第三代：基于啟發式CP規則的算法、線性規劃、專家系統、智能算法、遺傳算法、模擬退火算法、蟻群/粒子群算法、神經網絡。
第四代：人工智能動態調整算法，以智能算法進行靜態排程，以多Agent協商進行動態調整。
高級計劃排程系統APS的計劃和排程所采用的算法往往大不相同，對企業優化目標所造成的影響也大不相同。算法的優劣不是站在算法本身考慮的，而是從對問題解決的相關度上來看。
在計劃當中，當時間刻度是以天、周、月等劃分的時候，為了實現有限產能、有限物料的統一優化，往往采用是以線性規劃或者混合整數規劃為主的優化方法。
在排程當中，當時間刻度非常小，或者允許是連續時間的時候，為了實現次序的優化，往往采用以約束規劃CP、經驗規則或者啟發式算法為主的優化方法。
高級計劃AP (Advanced Planning)：
主要算法：線性規劃、遺傳算法等。（但也可以規則算法）。時間跨度為天、周、月等。主要針對問題Lot Sizing (產量），Resource Assignment （資源調配），這里的資源可以是資源組，也可以具體資源。
優點：1、可以適應企業多目標優化。2、目標可以有優先級。3、成熟技術。4、適合大規模問題。5、可以找到最優值或者較好的次優值
缺點：1、對于次序問題比較困難。2、動態重排的頻率不能太多。2、大規模商用成熟優化器一般比較昂貴。
高級排程AS (Advanced Scheduling) ：
主要算法：約束規劃（CP）、經驗規則、啟發式算法。時間跨度為連續時間，或者分、小時等。主要針對問題派工與Sequencing （順序）。
約束規劃CP算法：
優點：1、可以處理次序問題。2、可以處理復雜工序問題。3、算法以找到可行解為主要目標。
缺點：1、無法實現多目標同時優化。2、算法個性化程度較高，開發難度大。3、可處理的變量數量和復雜程度限制較高。
經驗規則算法：
優點：1、運算速度快。2、開發簡單。3、容易理解。
缺點：1、往往不能找到最優解，而是一個可行解。2、對規則的質量要求很高。3、無法實現多目標同時優化。
啟發式算法：
優點：1、可以找到較好的解決方案。2、運算速度較快。
缺點：1、算法個性化程度較高，開發難度大。2、可處理的變量數量和復雜程度限制較高。3、方案的穩定性隨著問題的不同而有較大差異
從上面分析我們可以看到，計劃可以對企業多目標進行優化，但在時間刻度上做了簡化，是一個以企業多目標為導向的優化工具；而排程的優勢在于執行層面，但因為算法本身的制約，無法看得更宏觀、更系統的優化。
時間刻度越小，為了能夠在可以容忍的時間內產生一個較好的方案，問題的范圍就越要縮小，排程算法在增加細節操作的可控性的同時，也失去了時間跨度的優勢，也就失去了對企業在較長時間范圍內目標的可控性。
這就需要可以既能夠滿足計劃的要求，也能夠排程的細節，軟件就要包含了兩種（或者多種）不同的算法，可以按照一定邏輯先后運行，根據不同的時間段和場景的復雜性自動的選擇算法，智能決策。
未來趨勢
如何建立約束規劃，建模(modeling)仍然扮演相當重要的角色。目前大部份的約束規劃套裝軟件都是以程序語言編寫或是程序庫(libraries)所組織，如ILOG SOLVER。約束模式語言如能以可視化技術(Visualization Techniques)來進行搜尋過程，將可協助找出系統的瓶頸；這種以可視化來掌握搜尋的技術將是未來的一種選擇。雞尾酒演算法(hybrid algorithm)綜合各種解決技術，將會是未來研究的內容。結合傳統作業研究技術，如整數規劃、組合最優化技術，將是另一個研究的挑戰。利用多層代理技術(multi-agent technology)，以平行及同步約束求解法將可改善其求解速率。
今天，人們已經把優化算法應用到了企業管理、工廠運營及供應鏈管理的軟件之中，從我們熟悉的APS高級計劃排程軟件或SCP供應鏈軟件到現在的IBP（Integrated Business Planning）集成業務計劃軟件，各種算法引擎和算法求解器也隨之涌現。或許有人會問，是否在運營軟件內置開發算法還是集成第三方的優化算法平臺？要回答這個問題可以考慮以下的幾個方面：
1、同傳統的公司內的計劃排程相比，供應鏈計劃排程無論是在考慮的組織機構范圍還是在算法上都復雜了許多。
2、現在，人們可以在工廠及供應鏈管理系統中用圖形界面操作優化算法模型。計劃員可以較少考慮如何形成計算模型，也不需要具備矩陣方程的細節知識以及掌握計劃編程語言和求解方法。人們可以通過設置處罰成本來設置計劃中的約束條件。比如：可以設置較高的外部采購成本模擬發包生產的能力。
3、用戶都不期望單獨開發MES執行系統同APS優化計劃系統間的接口。ERP系統同APS系統、MES系統間概念層和物理層的連接大大地方便了用戶操作業務數據和整合后的計劃排程數據。ERP和MES的供應商因此可以提供有價值的系統集成服務。這有助于人們接受優化算法和優化模型。
4、由于計算機硬件性能的不斷提升，今天，人們已經可以把大容量的數據常駐在內存里進行計算。這項技術可以極大地縮短系統讀取硬盤的時間，因此在過去幾年，該技術減少了系統運算高度復雜問題時的時間消耗。當然，如果碰到系統崩潰重新啟動，這也會造成數據的不一致性問題。現在，可以用分布式計算技術即云計算和邊緣計算來提高計算性能。
5、管理層在選擇軟件時常常傾向于基于啟發式算法但具有圖形界面的軟件，而不愿選擇能優化解決問題但沒有圖形界面的軟件。圖形界面和近來不斷推廣使用的基于網頁的圖形界面的使用，使得運算過程和最終解可用圖形來展示。圖形界面的功能使得工廠及供應鏈系統在各級管理層都能被較好地接受。
從理論上講，APS系統采用的算法質量是在決策選擇哪一套系統進行實施時最重要的考慮因素之一。人們應該在相當清楚該APS系統的優化計劃引擎的功能后，才決定是否投資該APS系統。然而，APS系統包含的算法描述得不甚清楚。人們對各種算法冠以奇異的名字，常常用科學的概念和名稱。不同的公司都在提供算法，一個讓人們感到混淆不清的現象是，這些多樣的算法總是被冠以深奧的名字。大體上講，系統的供應商在開發軟件時都是為他們的優化計劃引擎配以相應的算法。不管這種算法是其自身開發的、從其他供應商處購買的還是開放公用的。這就使得在選擇優化計劃軟件時，必須重點關注的要素。
另一方面，人們從實施的經驗中也認識到算法只是評估APS系統最重要的要素之一。與以前的結果相比，用戶在評價軟件功能時，除了把優化算法的結果作為了最為重要的屬性，同時也更加關注實時的現場細節與動態的計劃排程的適應性及快速響應性。
今天，利用邊緣計算技術所帶來的實時可視化以及AI機器學習驅動的供應鏈計劃與流程的優化能力。通過人工智能機器學習技術根據各種內外部影響因子與消費屬性產生未來的需求預測與需求替代、預判供應鏈中未來的風險與斷供、自動判定供應鏈例外狀況優先級、自動提供建議解決方案、考慮各種因子對供應鏈的影響性自動分類、對產品判定屬于哪一種細分類別、自動學習修正供應鏈計劃所需模型參數，如：提前期、良品率、優先級等等參數動態優化。
通過實現端到端的供應鏈實時可視性的數字能力與人工智能算法技術對假設場景的可決策能力與運籌優化最佳的方案并形成一個永無止境的持續改善與自我學習、自我修復的韌性智能供應鏈。
*ILOG公司已被IBM并購
*參考資料：專著-APS供應鏈優化引擎[M]，蔡穎，廣東經濟出版社
.............
公眾號： 高效計劃與智能調度排程研究會
微信號： APS_Society
網站： www.itapss.cn
中國很多企業處于亞健康狀態，其特征是“三高”即高交期、高庫存、高成本。精益生產、MES、APS、供應鏈優化是消除企業三高的良方，建立高效的計劃執行體系，系統的實現卓越制造。