技能受限的模型预测控制用于韧性制造供应链
在技能受限的生产-库存系统中，明天的合格人力容量取决于今天的培训决策：生产需要持证工人，认证若不维护将失效，培训消耗与生产相同的稀缺工时。研究提出了一种闭环技能受限模型预测控制器，每班次求解有限时域混合整数规划，涵盖生产、库存、积压和培训，并具有可解释的终端价值函数，用于评估计划期末的认证能力差距。在合成的SkillChain-Gym场景上的评估显示，没有哪种策略类占主导：预测控制在技能或劳动力瓶颈可提前预测时有效，而静态交叉培训保险在突发冲击、需求接近产能边界以及冲击前松弛使保险成本低廉时难以被击败。归因消融实验区分了认证维护、失效认证重新获取和新技能获取的影响。可预测性，而非适应性本身，决定了预测控制何时有价值。
研究人员提出了一种针对制造供应链韧性的技能受限模型预测控制（MPC）方法。在传统的生产-库存系统中，劳动力技能的限制常常被忽视，但实际上，合格工人的可用性高度依赖于持续的培训和认证维护。该研究由Carlos Eduardo Sanoja领导，旨在通过动态优化来应对这一挑战。
该控制器在每个工作班次开始时，求解一个有限时域的混合整数规划问题，决策变量包括生产量、库存水平、订单积压以及培训安排。特别地，模型考虑了认证的二进制状态：工人要么持证上岗，要么不能从事特定任务；认证会随时间衰减，需要定期维护；而培训又会占用当前可用于生产的宝贵工时。控制器还包含一个可解释的终端价值函数，用于评估计划周期结束时的认证能力缺口，从而量化未来的产能风险。
为了全面评估控制器的性能，研究团队在合成的SkillChain-Gym环境中进行了大量实验。该环境模拟了多种情景，包括预先宣布和突发的技能冲击、需求冲击、员工缺勤、预测质量变化、产能边界以及培训速率变化等。他们将所提出的控制器与仅关注生产、仅关注维护、静态交叉培训保险以及一种强反应式启发式方法进行了对比。所有实验采用事前锁定的配置和配对统计，以确保公平比较。
结果揭示了明显的“体制依赖性”而非普遍优越性：没有任何一种策略在所有情况下都占据主导地位。预测控制在技能或劳动力瓶颈可提前预测且培训能及时完成时表现最佳，例如在已知技能冲击前有充足时间进行培训。然而，静态交叉培训保险在突发冲击（如意外缺勤或突然需求激增）中表现稳健，尤其是在需求接近产能边界或冲击前存在闲置产能，使得预先交叉培训成本低廉的情况下。
进一步归因消融实验分离了三种技能动态的影响：认证维护（防止过期）、失效认证的重新获取（如重新认证）以及全新技能的获取（如引入新工序）。分析表明，关键区分因素是可预测性，而非策略的适应性本身。如果扰动能被提前预见，预测控制就能通过优化时序创造价值；否则，简单的静态保险往往更可靠。这项研究为制造企业在技能管理策略选择上提供了重要见解，强调了投资于预测能力与维持灵活保险之间的权衡。