订单少的时候，压力在市场；

订单集中进来以后，压力很快就会转到交付。

销售前端开始承诺交期，计划员开始安排生产，车间开始调设备和人员。

表格看起来已经排满了，但一到现场，问题很快出现，设备被几个订单同时占用，前后工序接不上，物料还没到位，急单又插进来，原来的生产计划只能不断重排。

这类问题经常被理解成产能不够、现场执行差，或者计划员经验不足。但在很多工厂里，真正的问题不是没有排产，而是排产逻辑太粗。

按订单顺序排，只解决了谁先来的问题；按交期排，只解决了谁更急的问题；靠经验排，也只能处理低复杂度场景。

一旦订单变多、品类变杂、交期变短，传统排产方式就很难继续支撑。

APS，也就是高级计划排产，真正要解决是在订单、设备、人员、物料、工序、交期互相影响的情况下，算出一个更合理、更可执行的生产顺序。

生产计划排产的核心，是算任务怎么排，资源够不够，冲突时先保什么。

APS先算的是生产关系

很多人理解APS系统，会先想到一张生产计划表哪张订单周一做，哪台设备上午开，哪个班组下午接着干。

但真正的APS是先把生产关系算清楚。

一张订单进入生产，并不是简单的一行数据。

它背后有产品、数量、交期、工艺路线、标准工时，也可能涉及客户等级、特殊工艺和交付承诺。

APS首先要识别的是：这张订单到底要经过哪些工序，每道工序需要什么资源，完成它需要多少时间。

资源也不能被默认成无限。设备、产线、人员、模具、班次、物料、外协能力，都是排产必须计算的资源。

普通排表最容易失真的地方，就是把资源默认成可以继续安排。但真实生产里，每台设备、每条产线、每个关键工序都有能力边界。

更容易被忽略的是约束。

工序有先后，设备不能同时处理两张订单，物料不到位不能开工，换模换线需要时间，不同产品之间还可能有批次和工艺限制。约束没有进入算法，计划表越漂亮，现场越容易出问题。

很多企业推进APS时，真正卡住是前面的生产关系没有被梳理清楚。

订单怎么拆，工艺路线怎么定义，设备能力怎么计算，哪些约束必须进入排产逻辑，这些都需要先变成清晰规则。

企业做数字信息化落地时，通常会先把这些业务逻辑梳理出来，让后续系统排产不是凭感觉录数据，而是建立在可计算的生产规则之上。

正向排产和逆向排产：一个看资源，一个看交期

APS生产计划排产中，最基础的两种算法是正向排产和逆向排产。

正向排产的逻辑很直观：从现在开始，只要资源可用，就把订单往后安排。

它解决的是现有资源怎么尽快利用起来的问题。对于产能相对宽松、订单压力不大的工厂，这种方式简单、直观，现场也容易理解。

但正向排产的短板也很明显。

它更关心现在能不能做，不一定足够关心交期该不该这么排。有些订单可能被提前生产，压住库存和现金；有些临近交期的订单，反而可能被排到后面。

逆向排产刚好相反。

它不是从今天往后排，而是从客户交期往前倒推：最后一道工序最晚什么时候完成，前一道工序什么时候开始，物料最晚什么时候到位，整张订单最迟什么时候启动。

逆向排产的价值，是交付导向强。它适合交期明确、流程稳定的订单，也能减少过早生产带来的库存压力。

但逆向排产也不是万能的。

它对现场稳定性要求更高，一旦设备故障、物料延迟、急单插入，原来倒推出来的计划就会被打破。

所以，正向排产解决的是资源怎么用起来，逆向排产解决的是交期怎么倒回来。

真正的APS不会只依赖其中一种，而是根据订单特点和生产环境组合使用。

有限产能排产，让计划从排得满变成排得下

很多企业的生产计划之所以失真，是因为默认资源可以无限使用。

一台设备一天最多运行8小时，但表格里可能排了12小时的任务；一个关键工序本来已经满负荷，计划里却继续往里塞订单。

结果就是表格上看起来很满，现场执行时全部卡住。

有限产能排产的意义，是让系统承认资源有边界。

设备每天能加工多少小时，班组能承接多少任务，关键工序一天能释放多少产能，换模换线会吃掉多少时间，都必须进入计算。

当资源已经被占满，订单不能被硬塞进去，只能后移、换资源，或者触发风险提示。

这一步做好以后，排产才开始接近真实生产。它会提前暴露哪些设备已经满负荷，哪些订单存在延期风险，哪些工序会成为瓶颈，哪些交期承诺需要重新评估。

有限产能不是让计划变保守，而是让计划变真实。

没有有限产能，排产只是时间表；

有了有限产能，排产才开始具备可执行性。

优先级规则：资源冲突时，先做哪一单

只要资源有限，订单之间一定会发生冲突。

几张订单都想上同一台设备，几个客户同时催交期，几道工序都在等同一个班组，这时候APS系统必须判断：先做谁？

最常见的方式是按交期排，谁最急谁先做。

但只看交期，可能牺牲重要客户和整体效率；

只看客户等级，可能让普通订单长期被压后；

只看订单金额，也可能忽略产线切换成本和实际交付风险。

真正有效的优先级，往往不是单一指标，而是组合判断。交期、客户等级、利润贡献、产线匹配度、插单影响，都可能成为权重。

这类规则往往不是系统供应商单独能决定的，而是企业经营逻辑和生产现实共同决定的。

企业梳理APS逻辑时，把哪些订单必须优先、哪些客户不能延误、哪些工序不能随意插单、哪些资源必须保护这些隐性判断显性化。

只有这些规则先清楚，系统里的优先级才不是机械排序，而是真正贴近企业经营目标的排产逻辑。

启发式优化：不求一次完美，但要持续更优

很多人以为APS应该算出一个绝对最优的生产计划。

但真实生产环境太复杂。

订单在变，物料在变，设备状态在变，人员安排在变，客户交期也可能调整。所有因素放在一起，要追求数学意义上的绝对最优，计算成本会很高，甚至来不及执行。

所以，很多APS系统实际采用的是启发式优化。

它的思路是在可接受的时间内，找到一个相对更好的方案。

系统先根据基础规则生成一版可执行计划，然后尝试不同排产组合，比较延期风险、等待时间、切换成本、设备利用率、库存压力等指标，最后选出更合理的一版。

生产现场需要的不是理论上最完美、但算不出来或来不及执行的计划，而是一个算得快、执行得下去、现场变化后还能调整的方案。

对多品种、小批量、频繁插单、瓶颈资源明显的工厂来说，启发式优化比单一规则更有价值。因为这类生产环境里，单靠交期、订单顺序或人工经验，很难长期保持稳定。

在做企业数字化方案时，把流程梳理、规则定义、异常反馈、数据沉淀放在系统优化之前。

算法不是孤立存在的，只有业务规则清楚、现场反馈真实，优化才不是空转。

看懂算法，才看得懂APS的真正价值

很多企业的排产问题，表面看是计划表不准，深层看是生产系统没有形成稳定的判断能力。

订单来了以后，谁先做、谁后做，资源够不够，交期能不能承诺，急单插进来会影响什么，如果这些问题一直靠人临时协调，生产就很难摆脱救火状态。

APS的价值，是把原来分散在计划员经验、车间协调和管理层判断里的生产逻辑，变成一套能够被计算、被执行、被调整的规则。

真正有效的APS，它关系到企业能不能把订单稳稳交出去，能不能把产能真正用起来，能不能在问题发生前看到风险。

阅读原文：点击这里​