技能受限的模型預測控制用於韌性製造供應鏈
在技能受限的生產-庫存系統中，明天的合格人力容量取決於今天的培訓決策：生產需要持證工人，認證若不維護將失效，培訓消耗與生產相同的稀缺工時。研究提出了一種閉環技能受限模型預測控制器，每班次求解有限時域混合整數規劃，涵蓋生產、庫存、積壓和培訓，並具有可解釋的終端價值函式，用於評估計劃期末的認證能力差距。在合成的SkillChain-Gym場景上的評估顯示，沒有哪種策略類佔主導：預測控制在技能或勞動力瓶頸可提前預測時有效，而靜態交叉培訓保險在突發衝擊、需求接近產能邊界以及衝擊前鬆弛使保險成本低廉時難以被擊敗。歸因消融實驗區分了認證維護、失效認證重新獲取和新技能獲取的影響。可預測性，而非適應性本身，決定了預測控制何時有價值。
研究人員提出了一種針對製造供應鏈韌性的技能受限模型預測控制（MPC）方法。在傳統的生產-庫存系統中，勞動力技能的限制常常被忽視，但實際上，合格工人的可用性高度依賴於持續的培訓和認證維護。該研究由Carlos Eduardo Sanoja領導，旨在透過動態最佳化來應對這一挑戰。
該控制器在每個工作班次開始時，求解一個有限時域的混合整數規劃問題，決策變數包括生產量、庫存水平、訂單積壓以及培訓安排。特別地，模型考慮了認證的二進位制狀態：工人要麼持證上崗，要麼不能從事特定任務；認證會隨時間衰減，需要定期維護；而培訓又會佔用當前可用於生產的寶貴工時。控制器還包含一個可解釋的終端價值函式，用於評估計劃週期結束時的認證能力缺口，從而量化未來的產能風險。
為了全面評估控制器的效能，研究團隊在合成的SkillChain-Gym環境中進行了大量實驗。該環境模擬了多種情景，包括預先宣佈和突發的技能衝擊、需求衝擊、員工缺勤、預測質量變化、產能邊界以及培訓速率變化等。他們將所提出的控制器與僅關注生產、僅關注維護、靜態交叉培訓保險以及一種強反應式啟發式方法進行了對比。所有實驗採用事前鎖定的配置和配對統計，以確保公平比較。
結果揭示了明顯的“體制依賴性”而非普遍優越性：沒有任何一種策略在所有情況下都佔據主導地位。預測控制在技能或勞動力瓶頸可提前預測且培訓能及時完成時表現最佳，例如在已知技能衝擊前有充足時間進行培訓。然而，靜態交叉培訓保險在突發衝擊（如意外缺勤或突然需求激增）中表現穩健，尤其是在需求接近產能邊界或衝擊前存在閒置產能，使得預先交叉培訓成本低廉的情況下。
進一步歸因消融實驗分離了三種技能動態的影響：認證維護（防止過期）、失效認證的重新獲取（如重新認證）以及全新技能的獲取（如引入新工序）。分析表明，關鍵區分因素是可預測性，而非策略的適應性本身。如果擾動能被提前預見，預測控制就能透過最佳化時序創造價值；否則，簡單的靜態保險往往更可靠。這項研究為製造企業在技能管理策略選擇上提供了重要見解，強調了投資於預測能力與維持靈活保險之間的權衡。