本文摘要：摘 要：智能調度是實現制造系統高效運作、制造資源與生產任務高效配置的重要保障，是實現制造業數字化網絡化智能化的重要途徑。從智能調度全局出發，進一步對前人綜述研究進行深化和外延，運用可視化工具 CiteSpace 軟件，通過檢索 Web of Science 核心數據庫，獲取 20
摘 要：智能調度是實現制造系統高效運作、制造資源與生產任務高效配置的重要保障，是實現制造業數字化網絡化智能化的重要途徑。從智能調度全局出發，進一步對前人綜述研究進行深化和外延，運用可視化工具 CiteSpace 軟件，通過檢索 Web of Science 核心數據庫，獲取 2012—2021 年間收錄的以“智能調度”為主題的 50610 條文獻�；谥R圖譜把握智能調度領域的學科演化性質、分析領域研究熱點、探索重要集群性質、挖掘重大突現、洞察結構變異性，提出一種基于知識圖譜的研究領域綜述分析路徑與方法。最后指出柔性作業車間重調度、節能調度、異構分布式協同調度系統、新型群智能優化算法等是智能調度領域的發展方向。
關鍵詞：智能調度;知識圖譜;文獻計量學;可視化分析;統計分析
0 引言
隨著 5G 與物聯網技術的快速發展，如今已呈現“萬物感知、萬物互聯、萬物智能”的發展新趨勢[1]。2015 年李克強總理在結合現代智能制造、工業制造 4.0 與物聯網等基礎上，提出“互聯網+”的戰略規劃[2]。此外，我國為推動新型智能技術與制造技術的融合發展制定發布了“互聯網+”和《中國制造 2025》等一系列頂層設計文件，以促進我國制造業轉型升級。“中國制造 2025”的核心是創新驅動發展，主攻方向是智能制造技術，最終實現制造業的數字化、網絡化、智能化升級。制造業利用大數據、云計算等新興技術[3-4]，針對逐漸興起的個性化定制和協同分布模式，構建多種制造類型的調度算法庫，提供智能調度方案[5]，為實現制造系統的高效運作、制造資源與生產任務的高效配置提供堅實保障。
智能調度[1]是指基于人工智能技術，依靠集自主感知、學習、分析、決策和協調控制于一體的智能化設備[6,7]，通過互聯網進行企業生產的動態協同自適應管理活動，達到快速響應市場、高效組織生產、滿足用戶需求的生產目標，促使制造系統向大數據和智能化方向轉變。由此可知，智能調度是智能制造系統運行的核心。智能制造系統中的絕大部分調度問題均屬于 NP-hard 組合優化問題(Non-polynomial completeproblems)。智能調度方法的研究可分為以下 3 個主要階段：
第 1 階段為數學規劃方法，它將調度問題簡化為數學規劃模型，通常運用整數規劃、動態規劃等方法解決調度最優化或近似優化問題，例如混合整數線性規劃法[8]、混合整數非線性規劃法[9]、拉格朗日松弛法[10]等，是一種精確求解的方法，但復雜多變的因素會使得算法的重用性較弱，且存在求解空間大、計算困難等問題。第 2 階段為啟發式搜索方法，克服了數學規劃方法計算繁瑣的問題，依據無關信息來簡化搜索過程，可看作系統化地構造解的過程，例如分區算法、本地搜索技術[11]等，但是解的質量較低，且與全局最優解的差值較大，因此無法在生產實踐中落地。
第 3 階段為人工智能方法，例如遺傳算法[12]、蟻群算法[13]、人工神經網絡[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的成熟發展，單一算法呈現出全局最優解精度較低等問題，基于此，融合多種算法進行算法優化成為學者的研究熱點，如粒子群算法[19]、帝國競爭算法[20]等，其中也產生了基于 EA 的多目標進化算法，如 MOEA/D[21]、NAGA-II 等。已有多位學者在不同時期針對智能調度技術與方法進行綜合性總結與展望。徐俊剛等[22]系統地闡述了生產調度方法及典型應用，指出當前實際生產調度存在的問題，并提出多種調度方法相結合的研究展望;張潔等[1]闡述了制造系統中的多類復雜調度問題以及調度方法與技術，并重點講述了不同調度方法的云端化技術實現方式。
也有學者從文獻計量角度進行智能調度等相關領域的研究，劉義川等[23]通過 Web of Science 數據庫導出生產調度文獻數據，利用 CiteSpace、SATI 以及 Unicent等分析軟件進行生產調度文獻的計量與可視化，同時開展預制構件生產調度文獻研究;王婷等[24]以CNKI 和 Web of Science 中 2009 至 2019 年的相關文獻為基礎，運用 CiteSpace 繪制期刊、關鍵詞和突現詞的知識圖譜，發掘智能調度領域未來的趨勢;史進程等[2]運用 CiteSpace 可視化軟件繪制物聯網研究領域的共詞網絡、關鍵詞時序圖、文獻互引網絡等知識圖譜，為物聯網領域未來的理論推進提供方向性指導;管文玉等[25]基于 CiteSpace 實現了可視化知識圖譜，對當前數字孿生研究的現狀、趨勢和熱點進行了檢視和分析。以上基于知識圖譜的相關領域分析研究多圍繞基礎性質共現分析及時間線分析，并未深度解析該領域的引文空間信息。
綜合以上國內外智能調度相關研究發現，大多學者從微觀角度進行研究，聚焦智能調度垂直細分領域的算法創新與優化，僅局限于方法層面，不利于從宏觀角度把握智能調度領域的發展現狀及研究前沿。如今，已有學者以綜述形式對智能調度問題及方法進行整體梳理與概括，但所提觀點多為定性分析具有主觀性和不確定性，缺乏客觀數據支撐。雖然有少數學者運用文獻計量工具通過知識圖譜可視化表達方法分析與挖掘智能調度或其他領域的研究前沿與研究熱點，但均處在多類別共現分析、時序圖分析等基礎性質分析階段，且分析較零散，沒有形成明確的分析路徑。基于此，本研究從智能調度全局出發，進一步對前人綜述研究進行深化和外延，運用可視化工具 CiteSpace 軟件，呈結構化地對智能調度相關研究領域進行文獻計量與知識圖譜分析。本研究旨在達到以下目的：把握智能調度領域的學科演化性質、分析智能調度領域的研究熱點、探索智能調度領域的重要集群性質、挖掘研究領域的重大突現、洞察研究領域的結構變異性，提出一種基于知識圖譜的研究領域知識綜述分析路徑與方法。
1 研究方法及數據收集
1.1 研究方法
本文研究基于文獻計量的綜合分析思路運用科學知識圖譜的可視化手段分析研究領域科學知識的結構、規律與分布。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 軟件進行文獻計量分析與知識圖譜輸出，此軟件支持對國內外多個核心數據庫的文獻進行合作網絡、共現分析、共被引分析、耦合分析、雙圖疊加分析。
CiteSpace 軟件可支持的文獻可視化分析類型較豐富，易造成分析結果分散且邏輯關聯性弱的問題。因此，本文基于 CiteSpace 軟件所提供的功能模塊，以宏觀-微觀-宏觀的形式呈結構化地對學科性質、研究熱點、研究前沿、典型集群性質、結構變異性、合作支撐六個層面逐步對智能調度文獻進行量化分析、知識圖譜表達以及內容分析。本文所提的分析路徑及方法有以下創新點：
(1)學科性質與研究熱點是對研究目標領域的首要宏觀分析。本文在傳統學科領域分析之前引入科學地圖分析，通過分析研究領域文獻的期刊引證路徑，快速獲得該領域所屬的重要學科性質以及學科之間的主要交互特性，解決了傳統學科領域分析較分散、難收斂的問題。
(2)基于共被引網絡聚類標簽、突現性文獻、時間線的研究前沿分析是宏觀到微觀的過渡，但大多數基于知識圖譜的綜述性文獻并未進行下一步地深入挖掘[24,25]。本文創新性地將共被引網絡第一大聚類集群的引文信息進行拓展，獲取該集群中的重要施引文獻、重要被引文獻，并放大集群的時間線進行典型集群分析。該方法可準確地把握研究前沿的顯著性質并獲取更豐富的引文信息，使圖譜分析落實到微觀層面，一定程度上克服了傳統研究前沿分析程度較淺且扁平的問題。
(3)國內相關知識圖譜的綜述性文章缺少對重要集群結構變異性的研究，本文關于作者對集群結構變異性的研究與分析有利于挖掘對集群衍生具有較大貢獻度的作者和引文，提升了微觀分析由淺到深的層次性。
此外，本文創造性地將聚類的模塊化參數作為年份對集群結構變異性影響程度的主要判斷依據，從變異性方面再次將分析視角過渡至宏觀分析領域。本文提出“宏觀-微觀-宏觀”呈結構化的文獻計量分析思路與方法，延展了研究領域分析的層次性，增加了分析深度，并引入 CiteSpace 較新型的功能模塊與創新思維豐富了分析架構，使知識圖譜受眾更準確地抓取研究領域關鍵的信息與趨勢，更靈敏地獲得研究熱點與前沿。
1.2 數據收集
本文研究文獻資料以 Web of Science 核心數據庫為來源。為了收集的數據能夠全面覆蓋此領域的研究狀況，本研究以主題詞為檢索方式，以 Web of Science 核心數據庫為文獻來源，以“IntelligentScheduling”和“Job Shop Scheduling”為關鍵詞內容，檢索 2012 年至 2021 年區間內的相關文獻。通常在文獻檢索中，將由于查全率低所造成的拒真錯誤稱為 I 類錯誤，將由于查準率低所造成的取偽錯誤稱為 II 類錯誤。因此，本文剔除了論文、在線發表類別以外的相關文獻，例如書籍、綜述、會議等文獻，共獲取了 6686 篇有效文獻，提高了文獻檢索的查準率。此外，通過創建引文路徑的方式，對檢索結果進行拓展，獲取到此 6686 篇文獻的施引文獻，共計 50610 篇文獻，提高了文獻檢索的查全率。
2 學科性質分析
2.1 科學地圖分析
科學地圖分析，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，兩個地圖內容完全相同，均包含超過 10000 個科學引文索引收錄期刊，并通過聚類得出多個領域術語標簽。圖中彩色圓點表征期刊，軌跡線表征期刊之間的索引關系。將文獻數據集中所有文獻的期刊引用軌跡進行表征后，通過聚合路徑即可得到主要領域期刊的引用軌跡�；� Dual-Map Overlay圖譜，可將該研究領域的重要期刊分布與引用情況進行可視化，可以快速地把握研究領域的學科性質以及學科交互特性。
智能調度領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，但因軌跡較少沒有形成聚合路徑，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 為研究智能調度領域相關問題的主要學科力量，解決智能調度問題的核心是系統科學理論，依據數學理論與計算機科學技術解決某系統的復雜調度問題。
2.2 學科領域分析
學科領域分析是預測某領域未來發展方向、技術布局的主要手段�；� Web of Science 獲取的智能調度文獻數據集的學科領域分析知識圖譜。為了直觀地展示各學科領域的重要度，以學科的中心性為序，排名中心性為前 10 的主要學科。中心性是指中介中心性，中心性越高，表明該因素節點越關鍵，并將中心性≥0.1 的因素節點稱為關鍵節點。
學科領域分析知識圖譜與關鍵節點排序分析可知：數學和計算機科學是智能調度領域的理論基礎，其中計算機科學及其細分領域的發展，如人工智能、云計算、數字孿生、跨學科應用等，將影響智能調度領域核心算法的技術變革。工程學和物理科學是智能調度領域的技術支撐，智能調度技術的應用場景集中于車間工廠、制造系統中，需要工程學等其他學科的發展將助力前沿智能技術的落地與實現。商學與管理學是智能調度領域的優化依據，智能調度技術的不斷發展同時標志著產品生產周期管理結構與配置的優化升級，必將促使產業效益的逐步提升。從分析結果來看，雙圖疊加分析與學科領域分析兩個知識圖譜表達的信息一致，學科領域分析更側重學科細分領域的分析，雙圖疊加分析更側重體現學科之間的主要交互特性。
3 研究熱點分析
本文將基于關鍵詞的共現分析與聚類分析知識圖譜解析智能調度領域的研究熱點。文獻數據集來源為 2012 年至 2021 年 Web of Science 核心數據庫，為了更加準確地提取核心關鍵詞，本文選擇最小生成樹算法進行關鍵詞共現分析，以消除不重要的枝節網絡。在共現分析網絡圖譜中，節點圓圈的邊緣厚度表征關鍵詞出現的數量，大小表征出現的頻次;連線表征兩個關鍵詞出現在同一篇文章中，連線顏色的冷暖表征關鍵詞聯系出現的時間，連線的粗細表征聯系出現的頻次。關鍵詞分析是文獻計量法中的關鍵步驟，它凝練了文章最核心的內容，也最能體現該領域的研究熱點。但關鍵詞共現分析所表征的信息較零散，無法直接作為研究熱點的支持數據。因此，需要將關鍵詞共現網絡進行聚類，得出關鍵詞的重要集群，關鍵詞的重要集群標簽即為該領域的研究熱點。
智能調度領域的關鍵詞聚類網絡圖譜該網絡得出 9 個重要集群，分別為 machinelearning(機器學習)、algorithm(算法)、flexible job shop scheduling problem(柔性作業車間調度問題)、internet of things(物聯網)、wireless sensor networks(無線傳感器網絡)、smart grids(智能電網)、、energy-efficient scheduling(節能調度)、differention flow shop(差異化流水車間)、edge computing(邊緣計算)。
這 9 個集群代表智能調度領域的研究熱點。而關鍵詞共現網絡中頻次較高的關鍵詞有genetic algorithm(遺傳算法)、algorithm(算法)、optimization(優化)、makespan(完工時間)、manufacturing system(制造系統)、tabu search(禁忌搜索)、particle swarm optimization(粒子群優化)、heuristics(啟發式)、local search(本地搜索)、flexible job shop(柔性作業車間)等。
(1)機器學習和算法作為較大集群反映出智能調度領域研究的核心為人工智能，人工智能技術的發展推動了智能調度效率的提升，如關鍵詞中的遺傳算法、禁忌搜索算法、粒子群優化算法等算法優化是智能調度研究領域需要不斷攻克的難點。機器學習是計算機科學、心理學、認識科學等學科交叉形成綜合型領域，因此以跨學科研究的形式進行智能調度領域的研究也是未來發展方向。(2)物聯網和無線傳感網絡作為重要集群反映出智能調度是在物聯網時代趨勢下順應而生的產物。物聯網的定義為 RFID 和其他傳感器組成的全球標準網絡，無限傳感網絡的構建與分布分配方式是物聯網發展的基礎技術。物聯網技術是智能制造的物質基礎，而智能調度技術是智能制造系統運行的主要驅動力。(3)柔性作業車間調度、節能調度、智能電網作為重要集群反映出智能調度的細分應用領域正在不斷增加。隨著人工智能技術的逐漸成熟，更多學者對智能調度在制造系統中的應用領域或應用情境不斷細分，針對性地提出具體領域調度更加契合的解決方法，提高制造系統的調度效能，彌補智能調度應用領域的研究空缺。
4 研究前沿分析
4.1 共被引網絡聚類分析
共被引網絡分析是 CiteSpace 軟件的核心功能，通過構建研究領域文獻的引用網絡，從時間的橫向維度探索該領域的研究發展脈絡。共被引聚類分析是此功能的基礎，可通過文獻的引用關系得出不同時間段的研究熱點，色塊的冷暖表征不同時間段的研究熱點，顏色越冷表征引文較久遠，顏色越暖表征引文較臨近。帶有紅色樹狀結構的節點是突發性的引用文獻。以 Web of science 核心數據庫中 2012 年至 2021 年的文獻為基礎，智能調度領域的共被引網絡聚類圖譜。聚類后的網絡模塊度 Modularity Q=0.7006，模塊度大于 0.3 表征聚類網絡性能較好;且每個聚類集群的輪廓值Silhouette>0.773，說明聚類集群均為大型集群，聚類效度較高。每個聚類集群的頻次、輪廓值、標簽、平均年份、持續度如表 3 所示。由表分析可知#0 柔性作業車間調度問題、#1 能耗、#2 混合流水車間、#3 異構工廠是文獻共被引網絡的主要集群。
4.2 突現性文獻分析
研究領域中的里程碑式文獻可運用 Burstness 圖譜進行挖掘。該知識圖譜用于解讀具有強烈爆發性的被引文獻，此文獻常常標志著研究領域新技術的產生，因此具有一定的突現性，突現性由強度值決定。爆發文獻的突現性具有時間特性，由 Burstness 圖譜可挖掘爆發文獻的興起時間與消隱時間，獲取前沿研究熱點的興起時段。智能調度領域按突現性排序的前 42 篇爆發文獻。例如，該研究領域 2013 年的里程碑論文 Chiang TC[27]提出一種簡單有效的利用遺傳算子尋找 Pareto 最優解集的方法用于柔性作業車間調度問題中，該論文標志著此時間階段的研究熱點以智能調度算法技術優化為主;2014 年的關鍵性論文 Shrouf F[28]提出了一種機器級能耗成本最小化地生產調度最小化模型，表征該時間階段相關研究逐漸以實現技術落地為目標，考慮實際需求及約束的智能調度技術研究逐漸興起;2018 年的里程碑論文 Wu XL[29]提出了一種用于解決柔性作業車間智能調度問題的綠色調度啟發式算法，表征該時間階段的研究熱點以解決實際調度問題中的細分情境為核心，逐漸追求高效、精準、專業化的調度理念。
4.3 時間線分析
時間線分析圖譜可以直觀地分析共被引聚類集群的時間特性，有助于挖掘研究前沿熱點。聚類集群按照大小垂直排列，彩色曲線表征文獻引用軌跡，曲線顏色偏冷說明研究年份較久遠，偏暖說明研究年份較臨近。每個集群的引用軌跡依據時間軸排列，紅色樹狀結構的節點表征此文獻為高度被引或高度施引的突現性文獻。智能調度領域的共被引網絡時間線圖譜。#0 柔性作業車間調度問題、#1 能耗兩大集群雖然從 2012 年開始發展，但歷經 10 年仍保持活躍，依然是目前研究的熱點，但第三集群#2 混合流水車間至 2012 年就已經幾乎停止發展，第四集群#3 異構工廠雖然突現性強度較低，但目前仍然有發展的趨勢。
5 典型集群分析
共被引網絡進行聚類后獲得 14 個主要集群，其中包括 10 個主要集群，代表智能調度領域的主要研究熱點。對典型集群進行深度分析，有助于整體把握該領域的研究方向與趨勢。本文將對智能調度領域第一大集群的重要文獻進行深度挖掘。#0 柔性作業車間調度問題是該領域的最大聚類集群，在 2012 至 2021 年間包含 1113 篇文獻。該集群所有文獻的中位年份為 2016 年，但20 篇最具代表性的引用文獻中位年份為 2015 年。該集群的輪廓值為 0.773，是主要集群中最低值，是一個相對較高的同質性水平。將圖 8 時間線圖譜中#0 集群的分支進行提取后，可將時間線支線分為三個階段。分階段的詳解如下：
(1)第一個時期為 2010 至 2012 年。這一時期的時間軸相對比較平靜，沒有特別熱點的突發性文獻。相對較為熱點的文獻包括兩個方向：單一智能算法的技術優化以及智能算法綜述。在智能算法技術優化研究方面，Hildebrandt T 和 Al-Hinai N 優化了遺傳算法體系結構用于解決柔性作業車間調度問題(FJSP);Karimi H 將知識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 對柔性作業車間調度問題(FJSP)的智能算法進行了全面的綜述，并提出了 FJSP 的時間索引模型的評估模型。
(2)第二個時期為 2013 至 2018 年。從引文軌跡和紅色爆發頻率來看，第二階段充滿了高影響力的文獻。此階段的突發性文獻均為混合智能技術研究，實現了從第一階段對單一算法的升級優化到第二階段的混合算法優化。Shao XY 提出了一種混合離散粒子群優化(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 的分組離散協調搜索算法(PGDHS);YuanY 將一種新的局部搜索算法引入到改進的 NSGA-II 中，開發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)結合的有效混合 HA 算法;Jamrus T 提出了一種將粒子群優化算法與 Cauchy 分布和遺傳算子相結合的混合方法 HPSO+GA。
此外，Gao KZ 研究了具有新作業插入的柔性作業車間調度問題，提升了車間智能調度的靈活性與動態變化性，預示了第三階段的研究浪潮。(3)第三個時期為 2019 至今。主要的熱點文獻圍繞考慮特殊狀況的調度系統構建技術，解決不同類型車間、不同時間階段、不同調度目的下的智能調度問題。Gao KZ[30]提出了 DJaya 算法解決新作業插入的柔性作業車間重調度問題(FJRP);Zhang SC[31]提出了一個分布式蟻群系統來解決具有兩個相鄰工作區的柔性制造系統中的生產調度問題;Gong GL[32]提出了一種混合進化算法(HEA)來求解所提出的具有工人靈活性的節能 FFSP。
共被引網絡是由施引文獻與被引文獻的連接路徑構成的。重要被引文獻的研究內容可抽象為領域內部，旨在研究該領域的基礎概念和技術方法，是該領域的知識基礎。重要施引文獻的研究內容可抽象為領域外部，主要對該領域的研究對象或應用領域進行深入研究，是該領域知識基礎相關的研究前沿。大多文獻研究多為智能算法的優化方法及技術，如基于反向跳躍跟蹤的路徑重鏈接算法、模因算法(MAs)、Pareto 的分組離散協調搜索算法等等，均圍繞實現智能調度的方法或技術，文獻關鍵術語也偏向領域內部術語。
6 結構變異性分析
6.1 作者的結構變異性
共被引網絡的聚類分析圖譜有助于分析該領域的主要研究方向，而鏈接多個主要集群的重要文獻及作者是影響整個網絡結構變異性的關鍵因子。文獻及作者對網絡變異性的影響越大，說明該作者是某個或某些集群產生的主要源頭，他將原本不關聯的兩個或多個研究領域之間搭建了新的鏈接關系�；� CiteSpace 軟件的結構變異性分析功能，可獲得每篇文獻對網絡結構變異性的影響值以及每篇文獻的引用軌跡。通過分析結構變異性影響值較大的高產或關鍵作者文獻的引用軌跡，可以洞察該領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域作出的貢獻。
以 Web of science 核心數據庫中 2012 年至 2021 年的文獻為基礎，研究智能調度領域中的高影響力文獻及作者。首先，將 CiteSpace 軟件中的運行參數 LBY 與 LRF 設置為-1，表征尋找所有文獻的所有引用軌跡。然后，構建文獻共被引網絡聚類圖譜，網絡模塊度 Modularity Q=0.8935，說明聚類網絡性能較好。該聚類圖譜為文獻的所有引用軌跡，更適合分析網絡的結構變異性，洞察具有潛在變革性的文獻及作者。
文獻及作者的結構變異值越大，說明該文獻的作者對所鏈接集群的貢獻越大。結構變異性值排序第一的文獻作者是 Baykasoglu A(∆Modularity=98.92)，是幾篇具有開創性的論文作者，其文獻引用軌跡鏈接了集群#0 車間調度、#3 流水車間調度、#11 離散作業排列三個主要集群。結構變異性值排序第三的文獻作者是 Li M(∆Modularity=98.43)，也是一位高影響力作者，其文獻引用軌跡鏈接了集群#2 柔性車間調度問題、#7 批處理器模式、#9 分布式柔性作業車間實時調度 ( dfjs-rs )、 #12 能 源 消 耗 四 個 集 群 。 結 構 變 異 性 值 排 序 第 四 的 文 獻 作 者 是 Zhao F(∆Modularity=98.33)，是多個領域的研究開創者，其文獻引用軌跡鏈接了集群#0 車間調度、#1 最小中值法則、#3 流水車間調度、#11 離散作業排列、#13 機群五個集群。結構變異性值排序第六的文獻作者是 Nguyen Su(∆Modularity=98.27)，是一位高產作者，其文獻引用軌跡鏈接了集群#0 車間調度、#6 解碼方法、#8 極限工作模式、#13 機群四個集群。
7 合作與支撐的網絡分析
7.1 基金資助信息分析
基金支持是科學研究的資本保障，是每位研究人員在學術研究中重要的項目支撐。因此，研究國內外該領域的基金分布情況，能分析該領域的科研水平和技術分布。以 Web of science 核心數據庫中 2012 年至 2021 年的文獻為基礎，對智能調度領域的基金資助信息進行可視化表達，依據頻次對前 10 項基金進行排序。
(1)從資助頻次與中心度兩項數據來看，中國國家自然科學基金均保持最高位。此基金在我國科學研究規劃、學科建設中占重要地位，因此表明我國對智能調度領域的科學研究具有戰略重視，投資力度較大。
(2)除去國家自然基金科學基金相關資助，國家重點研發專項也是我國智能調度領域的重要基金來源。為落實《中國制造 2025》和《國務院關于積極推進“互聯網+”行動的指導意見》等頂層文件提出的要求，國家重點研發計劃“網絡協同制造和智能工廠”重點專項從基礎研究、共性關鍵技術、系統與平臺、應用示范四個方面全方位對智能制造系統中的相關研究提供項目支持。智能調度相關研究是此國家重點研發專項中的關鍵課題。
(3)我國智能調度領域的基金資助在基金數量與水平上均已世界領先。歐美日等國家雖然在智能調度的前沿技術上有先發優勢，但從基金分布較零散，沒有形成集中力量支持。對于基金資助而言，呈體系化集中化的基金資助模式更能促使該研究領域在合理技術布局的情況下穩步快速發展。
8 結束語
本文基于 CiteSpace 軟件運用文獻計量方法對 Web of science 核心數據庫中過去十年智能調度領域的相關文獻以宏觀-微觀-宏觀的形式呈結構化地進行知識圖譜的輸出與分析，主要對智能調度領域的學科演化性質、研究熱點、研究前沿、重要集群性質、結構變異性、主要合作與支撐關系的相關圖譜進行了剖析與解讀，對智能調度領域的未來研究方向提出以下建議：
(1)智能調度領域的學科性質為計算機科學與數學學科相輔相成共同解決系統科學中智能調度的復雜問題。人工智能、云計算、數字孿生等新興計算機科學技術與智能調度領域已經深度交融，成為解決智能調度問題的智力庫和技術支撐。智能調度領域應增加跨學科應用與合作的廣度與深度。與工程學、計算機科學等學科前沿技術的交叉融合是快速發展智能調度相關研究的重要途徑。
(2)機器學習與智能算法、物聯網、柔性作業車間調度、節能調度[33]等研究方向是智能調度領域近十年的研究熱點。人工智能算法在智能調度領域的適應性研究是智力基礎，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、人工神經網絡、模擬退火算法、帝國競爭算法等及其優化算法、混合算法的相關技術研究。物聯網技術在智能調度領域的應用性研究是硬件支撐，例如無線傳感網絡、RFID、云計算、5G 等運算儲存技術與傳感技術相關研究。柔性作業車間調度、節能調度、動態調度、分布式協同調度、實時調度等是基于實際產業情境的細分垂類調度相關問題研究，是健全智能調度領域技術布局與提升應用適配度的關鍵性研究。
(3)柔性作業車間重調度、節能調度、異構分布式協同調度系統、新型群智能優化算法等研究方式是智能調度領域的研究前沿。面向傳統車間或其他系統的相關技術與方法已經成熟，但當智能調度技術真正介入實際系統時會產生許多新問題，而且在綠色生產、智能工廠等新系統模式的驅動下，必須進行考慮實際系統運行機制和新產業模式的智能調度相關技術研究。例如解決新作業插入的柔性作業車間重調度問題(FJRP)需要著重關注車間智能調度的靈活性和動態性;考慮能耗的綠色調度、節能調度相關研究應聚焦減少能耗的約束調度技術;考慮異構分布式環境下動態調度的相關研究需基于云服務平臺將異構數據、應用、信息整合，利用協同智能算法實現調度;等等。不斷更新的調度問題對智能算法靈活性、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度技術的研究方向，此類算法具有全局搜索能力強、求解速度快的優勢。例如菌群優化算法、鴿群算法、果蠅優化算法、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研究機構數據可以看出，我國在智能調度領域的研究廣度具有一定領先性�；鹬С至Χ扰c研究機構覆蓋度表明我國智能調度領域的綜合研究實力處于先進水平。但還需要加強該領域的研究深度與前瞻度，努力提高對該領域研究網絡結構變異性的影響力。
參考文獻：
[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. 智能制造調度為先——《制造系統智能調度方法與云服務》導讀[J].中國機械工程, 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). [史進程, 郭洪飛, 張 儒, 等. 基于知識圖譜的物聯網研究文獻計量分析[J].計算機集成制造系統, 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. 基于大數據的智慧工廠技術框架[J].計算機集成制造系統, 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. 裝配作業車間的 JIT 調度研究[J].機械工程學報, 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：喬一丹，陳登凱，王晗宇，謝 凝
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jjlw/30309.html
