国内外智能调度研究现状、热点与发展趋势——基于CiteSpace的可视化对比研究

王 婷，卫少鹏，廖 斌，周 彤

(贵州大学 管理学院，贵州 贵阳550025)

随着5G时代的来临，“万物感知、万物互联、万物智能”成为当代发展的新趋势[1]。制造业利用大数据和云计算等新兴技术[2-3]，针对逐渐盛行的大规模定制和协同分布模式，深度挖掘客户定制化信息，搜集分布式车间生产制造信息，构建多种制造类型的调度算法库，为制造系统的高效运作和资源的有效配置提供保障。智能调度指的是制造企业以人工智能为依托，装配集自感知、自学习、数据分析、决策生成、协调生产于一体的智能化设备[4-8]，达到自组织、自调节、自适应的生产目标。

制造系统的生产调度问题大多数为NP-hard。依据解决组合优化问题的研究方法，智能调度的发展大致可分为2个阶段。第1阶段，为了解决调度问题，较多运用运筹学中精确求解的方法，比如，分支定界法、整数规划法、拉格朗日松弛法等。这些方法虽然可以得到较好的全局最优解，但是计算过程繁琐、计算量过大，不适合对大规模问题进行运算求解。针对大规模调度问题，启发式算法可以实现快速求解，然而解的质量较低，和全局最优解的差值较大，从而无法大量应用于生产实践。第2阶段，20世纪80年代以后，学者受到一些自然现象和规律的启发，发明了各种模拟自然界的人工智能算法，比如，遗传算法、蚁群算法等。还有一些结合人工智能的原理，对传统算法进行完善，从而得到较好的智能算法，比如，禁忌搜索算法、模拟退火算法。随着人工智能的不断发展，仅依靠这些单一的算法也会出现各种局限性，比如，运算速度缓慢、全局最优解精度较低等。学者在原始算法的基础上融合其他算法的优点或对原始算法不断改进，比如，改进生物地理学算法[9]、离散人工蜂群算法[10]、文化基因算法[11]，大大提高了运算速度及精度。此外，还有帝国竞争算法[12]、免疫算法[13]、粒子群算法[14]等。

调度业务运用云计算、大数据等技术能更好地提高调度的智能化和一体化水平。基于云计算的智能调度是通过互联网将分布式的制造车间或服务调度中心的软件、数据及IT资源进行整合，集成一个虚拟抽象的调度资源池，用“需则可用”的理念，帮助制造系统处理模型管理、实时监控与预警、调度计划编制以及调度管理等业务[15-20]，向其提供所需的计算、控制、存储等服务，从而保证了计算能力和海量信息的共享以及应用功能的高度协同，为适应未来调度领域多层级、多维度的高效协同奠定了基础。

智能调度作为实现产业结构升级、制造业服务化的根本途径，是车间生产运作的核心[21-23]。关于智能调度的研究，国内外学者大多从微观层面着手，聚焦于某个细分领域的运行机制或算法改进，比如，改进免疫算法[24]、改进蜂群算法[25]，仅局限于方法层面或技术层面，不利于整体把握智能调度的发展现状及脉络。基于此，本文从智能调度全局出发，运用文献计量法，收集众多国内外知名学者有关智能调度的文献数据，导入CiteSpace软件进行分析处理，绘制关键词、被引文献和突现词知识图谱，结合相关文献资料研究解读之后，得出当前国内外智能调度的研究现状及前沿，并预测了智能调度的发展趋势。

1数据来源与方法

1.1数据来源

国外文献资料以Web of Sience为来源，以“主题=intelligent scheduling”为检索条件，来源类别选择Web of Science核心合集，检索时间为2009—2019年，在剔除无效文献，比如会议、报纸等后，共得到有效样本文献1 114篇。

国内文献资料以CNKI为来源，以“主题=智能调度”为检索条件，来源类别选择SCI来源期刊、Ei来源期刊、核心期刊、CSSCI、CSCD，检索时间为2009—2019年，剔除会议、书评等无效文献后，得到有效样本文献397篇。

1.2研究方法

利用CiteSpace软件，使用近10年CNKI、Web of Science数据库收录的有关智能调度的文献资料，绘制“被引文献”，“作者合作共现”和“突现词”知识图谱，直观展现文献的特征、研究热点及发展趋势。

2文献时间分布

发文数量可以有效反映研究热度。发文数量的波动状况可以用于预测该领域未来的发展趋势，对科研工作有重要意义。由图1可知，整体上国内外对智能调度的研究为先增后减。国内研究的波动不大，从2009年—2014年国内相关文章数量一直稳定增加，之后又逐渐下降，年发文量最高为54篇，最低为27篇。国外从2009年—2018年一直处于快速增加状态，出现2个较为明显的波峰，为2012年和2018年，2018年为整个趋势的峰值。可以预测，这与国际制造业趋势，“德国工业4.0”[26]“美国再工业化”及“中国制造2025”等因素有关，其中，中美的政策博弈可能会引发2019年另一个高峰[27-30]。从2019年国内外趋势来看，上半年发文量已经超过2018年发文量的50%，下半年将会有更多的研究成果。整体上，国外年均发文量是国内年均发文量的近3倍，研究热度始终高于国内，研究体系也相对完善。从国内外的智能调度发文量的变化轨迹来看，智能调度仍是当前的研究热点。

图1国内外智能调度研究的文献分布Figure 1 Literature distribution of intelligent scheduling research at home and abroad

3国内外智能调度研究分析

3.1核心期刊分析

3.1.1国外智能调度的核心期刊分析

将国外搜索文献数据导入CiteSpace软件，把Node Type设置为Cite Journal，阈值设置为TOP20，其余参数选用默认值，运行CiteSpace，得到国外智能调度研究核心期刊共被引知识图谱，如图2所示。图中，圆圈的颜色表示当年被引的时间，圆圈的厚度表示被引次数，每个节点表示1个期刊，节点越大表明被引频次越高，即影响力越强，节点之间连线的粗细表示期刊之间的共引程度。

图2国外智能调度研究期刊共被引知识图谱Figure 2 Co-citation knowledge map of foreign intelligent scheduling research journals

通过图2可以得知，国外有关智能调度计量的共被引期刊来源影响力较强的为EURJ OPER RES、LECT NOTES COMPUT SC、ECPERT SYST APPL、IEEE T POWER SYST等期刊；近5年处于活跃状态的有IEEE T SMART GRID、APPL SOFT COMPUT、IEEE T VEH TECHNOL、IEEE COMMUN MAG等期刊。其中，被引频次较高的期刊有EUR J OPER RES、EXPERT SYST APPL、LECT NOTES COMPUT SC、IEEE T POWER SYST、COMPUT OPER RES，被引频次分别为241次、187次、168次、156次、150次，这些期刊都是国外智能调度研究的重要文献来源。同时，中心度较高的期刊分别为LECT NOTES COMPUT SC、IEEE T IND ELECTRON、INFORM SCIENCES、IEEE T IND INFORM，中心度分别为0.32、0.25、0.21、0.19，说明这4种期刊中智能调度领域的文章质量较高，对国外智能调度的发展起着很重要的支撑作用。LECT NOTES COMPUT SC期刊的被引次数以及中心度都较高，说明该期刊在国外智能调度领域拥有较高的核心地位。

3.1.2国内智能调度的核心期刊分析

以出版数量为切入点，对国内智能调度的文献刊载量较高的核心期刊进行分析。梳理样本文献来源，得出国内397篇论文共分布在百余种期刊上，52%分布在工程科技领域，34.7%分布在信息科技领域，经济与管理科学、基础科学、农业科技领域分别占6.5%、5.6%、0.6%。对载文数量较多的期刊进行统计，发现国内智能调度的研究文献集中于信息科技、工程技术和经济与管理这3个学科领域，具体部分代表期刊如表1所示。信息科技领域的期刊主要研究物联网、云计算、大数据等新兴技术和制造业的融合，探讨传统制造模式的升级与转型[31-34]；在工程技术领域，有关智能电网的期刊及文献数量占主导地位，发展智能电网已经上升到国家战略层面[35-39]；而经济与管理期刊的文章则侧重于人工智能在智能车间的运用以及新颖的建模方式，加速智能制造在企业的落地[40-43]。

表1国内智能调度研究的载文期刊分类Table 1 Classification of papers published in domestic intelligent scheduling research

从核心期刊的分布来看，国内外智能调度的核心期刊都主要分布在信息科技领域。从期刊名称来看，国内外研究都把人工智能、智能电网作为重点研究对象。随着大数据、云计算等新兴技术的崛起，利用计算机技术使物理世界和虚拟世界智能互联和交互融合，成为当前智能调度发展的趋势。

3.2研究热点分析

3.2.1国外智能调度研究热点分析

将“节点类型”设置为关键词，阈值设置为前50，其余参数默认选择，通过绘制关键词知识图谱(图3)来探明国外智能调度的研究热点。图中圆圈的颜色表示关键词出现的时间；关键词圆圈的厚度表示出现的数量，节点大小表示出现的频次；连线表示关键词共同出现在同一篇文章中，连线的颜色和粗细分别表示出现的时间和出现的频次高低。

图3国外智能调度研究热点聚类视图Figure 3 Clustering Views of Foreign Intelligent Scheduling Research Hotspots

关键词在文献计量法里扮演着最重要的角色。它凝练了最核心、最关键的信息，是探明文献之间关系的根本途径，同时还能了解到该领域的研究热点。对关键词进行聚类，结果如图3所示，整理后共得到10个有效聚类(聚类字体的大小代表每个聚类的 影 响 力)，分 别 为internet of things(物 联 网)、machine learning(机器学习)、lot streaming(批量流水线)、algorithms(算法)、microgrid(微电网)、big data(大数据)、wireless sensor networks(无线传感器网络)、robotics(机器人)、smart grids(智能电网)、transportation(运输)。这10个类别代表了智能调度领域的研究热点。聚类中出现频次较高的关键词：system(系 统)、optimization( 优 化)、scheduling(调度)、algorithm(算法)、model(模型)、management(管理)、smart grid(智能电网)、machine learning(机器学习)、intelligent transportation(智能交通)。这些关键词表明：智能制造通过工业互联网实现智能机器间的互联甚至人机互联。这是互联网向工业的延伸与扩展，表现为通过大数据技术充分挖掘制造潜力，而不仅限于企业间的协同，从而实现人、机、网的高度融合[44-48]。

机器学习作为人工智能研究领域的主要发展障碍和发展方向，为图中最大的聚类。这也表明了机器学习在人工智能研究领域的核心地位。机器学习涵盖的内容比较丰富，涉及计算机科学、心理学、认知科学等各种学科，综合性较强[49-52]。随着人工智能的发展，学者们逐渐发现其实人类才是最好的学习对象，比如，遗传算法、神经网络。机器学习的重点为学习，即让计算机模仿人的学习行为，通过自学习去获取知识和技能，不断改善性能，从而具备一定程度的智能。机器学习研究的核心在于如何使机器通过辨识和利用现有知识来习得新知识和新技能。

智能电网是人工智能的重要应用领域之一，为图中大小仅次于机器学习的聚类。智能电网是以高级机器学习理论、大数据、云计算为依托技术，将现代信息系统融入传统电网的产物，大大提高了电网的可控性与可观性水平，是解决传统电力系统能源利用率低、互动性差、安全稳定分析困难等问题的根本途径。智能电网加速了能源“4.0”转到能源“5.0”的升级，是能源与电力行业发展的必然趋势[53-54]。3.2.2国内智能调度研究热点分析

用同样方法绘制国内智能调度领域研究热点知识图谱，如图4所示。整理后得到6个有效聚类，分别为“智能调度”“资源调度”“智能电网调度控制系统”“遗传算法”“调度”“电力系统”，其聚类关键词主要有：“智能调度”“智能电网”“云计算”“分布式一体化建模”“遗传算法”“电动汽车”“多智能体”“调度控制系统”“数据挖掘”“公共交通”等。智能制造是在数字化制造和网络化制造基础上发展而来的，数字制造与网络制造是智能制造的必要条件。智能制造以产品制造全流程和全生命周期为作用对象，强调运用新一代信息通信技术和人工智能，将人工智能赋于生产运作系统，使其能够自感知、自决策和自执行。智能制造的核心在于“智能”。国内在“互联网+”和“中国制造2025”政策的驱动下，大力发展智能制造，智能调度作为智能制造的重要依托技术，处于核心地位。国内对智能调度的研究，在模型建立和智能算法方面较为成熟[55-58]，而且云计算、机器学习等新兴技术的理论研究成果也较为丰富[38,59]。

图4国内智能调度研究热点聚类视图Figure 4 Clustering view of domestic intelligent scheduling research hotspots

3.3研究前沿分析

3.3.1国外智能调度研究前沿分析

突现词是指在某个时间段出现的高频关键词。与关键词分析相比，突现词分析可以捕捉到研究领域拐点和热点的出现时段。因此，应用CitiSpace软件对样本文献进行共词分析、建立突现词遴选参数，最后通过分析突现词的时限轨迹可以清晰地了解智能调度的研究轨迹。对国外智能调度领域的研究前沿分析主要通过对近10年突现词的变化展开。用CiteSpace对样本文献进行处理，得到表2。

根据表2所展示的热点研究问题，结合当年的相关文献资料，整理得到智能调度的研究热点演化的2个阶段。

1)2009年—2012年。该阶段柔性作业车间调度问题成为国外研究的侧重点[48,60-62]。FJSP的目标可以分为多目标和单目标，常见的有最大最小完工时间、整体加工时间最小、成本最低等；FJSP的建模方法包括数学规划法、图和网络法、仿真法等；FJSP的优化方法有：基于运筹学的精确方法和基于人工智能的近似方法。这一阶段的研究推动了FJSP的理论与实践发展。

2)2013年—2019年。该时期为智能制造阶段。2013年4月，德国在汉诺威工业博览会正式推出“工业4.0”战略，旨在通过大力发展信息通信技术，应用信息-物理系统促使制造业智能化转型。同年9月，美国宣布重新成立“AMP指导委员会2.0”，并于2014年发布《振兴美国先进制造业》旨在通过创新领先和发展工业互联网来引领美国制造业在全球的主导地位。而日本则在2015年初推出了《机器人新战略》希望通过发展机器人技术来应对全球制造业变革。多品种、小批量的生产方式对制造业提出了更高的要求。为了更好地响应市场，智能制造成为各国发展的目标[53]，研究领域包括智能电网、智能制造、智能交通、智能物流、智能城市等。以大数据为驱动力的智能制造，数据的收集、处理和储存成为当今亟需解决的关键问题。

表2国外引用突发最强的前20个关键词Table 2 Top 20 keywords with the strongest citation bursts

3.3.2国内智能调度研究前沿分析

同样对国内近10年样本文献用CiteSpace进行处理，并对突现词的结束时间进行排序，结果如表3所示。

表3国内引用突发最强的前20个关键词Table 3 Top 5 keywords with the strongest citation bursts

国内智能调度的研究热点及演化分为2个阶段。

1)2009年—2015年。突现词有“调度”“智能电网调度控制系统”；突现词解析：该阶段为信息化与工业化融合阶段。党的十七大提出“大力推进信息化与工业化融合，促进工业由大变强，振兴装备制造业”，亦即提出“两化融合”战略，标志着“两化融合”的开启。2010年，全国已基本实现信息化，信息产业成为国民经济的重要支撑部分。随后，我国为了应对世界范围内环境恶化、能源匮乏以及国内电力行业发展的问题，提出了“坚强在输电网、智能在配电网”的发展指向，旨在实现配电网在正常运行状态下完善的优化、检测、保护、控制和非正常运行状态下的自愈控制，最终为电力用户提供安全、可靠、优质、经济的电力供应服务[8,63]。

2)2015年—2019年。突现词有“调度控制系统”“电动汽车”“云计算”；突现词解析：该阶段为信息化引领工业化阶段，所涉及的关键领域及技术有物联网、商业智能、智能产品、工业物联网、工业4.0等。2015年《国务院关于积极推进“互联网+”行动的指导意见》指出推动互联网与制造业融合，大力发展智能制造。同年《中国制造2025》将推进智能制造作为制造业发展的主攻方向。《智能制造发展规划(2016 — 2020年)》指出发展智能制造对推动中国制造业供给侧结构性改革，实现制造强国具有重要战略意义，要将发展智能制造作为长期坚持的战略任务。典型化事实和官方一系列重要文件均说明，智能制造是未来中国制造业发展的重要方向，也是智能化发展的高级阶段。而智能调度作为智能制造重要的赋能工具，可以快速响应市场变化、提高生产效率和满足顾客多元化需求[64]，是制造系统运行优化的核心。

4结语

综上分析，提取出当前智能调度领域未来的4个发展趋势：主动调度与动态调度、分布式协同调度、基于工业物联网的实时生产调度、新型群智能优化算法。

1)主动调度与动态调度。主动生产调度是指在生产过程出现异常之前，通过对比分析装配在机器上的各种传感器收集到的实时数据与设备历史运行数据，提前预测系统将要发生的故障，并在此基础上，对剩余的正常设备进行的重调度。动态调度是指在实时生产环境具有高不确定性和扰动性情况下所进行的实时调度以及在生产现场发生故障后所进行的调度。从时间轴来看，主动调度属于事前控制，而动态调度属于事中控制。主动调度系统和动态调度系统在生产过程中始终处于实时交互状态。综合运用主动调度和动态调度策略的具体运作流程如图5所示。首先，主动生产调度基于历史数据，结合数据挖掘、深度学习等技术，进行历史订单回溯、参数学习及关联，准确找出导致异常情况发生的信号、特征、行为，通过实时生产数据和历史数据的对比，运用贝叶斯网络推理，预测出订单趋势、资源配置趋势以及加工能耗趋势，提前发现异常，生成主动生产决策，有效规避生产事故、提高排产效果。接着，动态调度针对车间作业排序中出现的突发状况，比如紧急插单行为，将实时数据导入智能决策终端，对订单价值进行估计，同时对车间内的设备配置状态和生产能力进行查询，得到设备服务能力估算和设备停靠损益估算，把估算的结果反馈到智能终端得到多个实时决策，对各种方案进行虚拟仿真，结合生产的实际情况，确定最优决策。

2)分布式协同调度。分布式协同调度是基于调度云服务平台，通过多个分布式调度中心智能互联，具有高并发能力、高吞吐能力、高计算能力和高可靠性的制造系统，运作流程如图6所示。分布式协同制造的关键在协同，各个分布式制造车间不仅要做到算法协同、个体协同、参数协同、目标协同，同时还要结合计算智能和特征分析技术，对分调度中心进行群智能多搜索操作和知识型搜索，最后将获得的应用、数据、信息在云平台上进行整合，利用知识驱动的协同智能算法在云平台进行调度，实现制造企业低投入、高产出的目标。

3)基于工业物联网的实时生产调度。随着物联网的兴起，多种智能生产设备可借助物联网技术实现设备与设备之间的通信，即M2M通信。基于工业物联网的实时生产调度运作流程如图7所示。利用安装在车间的智能传感器和监控摄像头，对生产现场进行数据采集，掌握车间的设备、物料、人员、在制品、工具工装情况，再对数据进行关联分析、融合处理以及可视化操作，得到车间实时的生产进度、执行状态、生产异常和实时扰动情况。综合这4个方面对生产过程进行分析评估，最后在虚拟的总调度平台进行优化并生成实时生产调度决策，达到改善生产现场的效果。

4)新型群智能优化算法。群智能是一种具有自组织、自适应特征的人工智能模式，能体现出整个群体的智能特性。群智能优化算法对解决复杂问题具有灵活性、鲁棒性、自组织性等优点。经典的群智能优化算法有蚁群优化算法和粒子群优化算法。蚁群优化算法求解时间较长，粒子群优化算法容易早熟收敛，不适合解决多峰高维问题。因此，国内外学者相继提出了新型群智能优化算法，比如，细菌觅食算法、混合蛙跳算法、布谷鸟搜索和头脑风暴算法。相比经典算法，新型智能优化算法的参数更少、求解速度更快、全局搜索能力更强，更适合解决高维度、多目标的调度优化问题。

图5应用主动调度与动态调度策略的车间运作流程Figure 5 Workshop operation process using active scheduling and dynamic scheduling strategies

图6 分布式生产协同调度运作流程Figure 6 Distributed production collaborative scheduling operation process

图7 基于工业物联网的实时生产调度运作流程Figure 7 Real-time production scheduling operation process based on the industrial internet of things