早期人力與獸力的農業社會中，產出與投入在當時的時空背景下，未以見得排程如此重要，但伴隨工業時代來臨與科技演進，純人力的生產管理已不敷使用。在大數據與供應鏈之相互關係中，生產管理排程之應用，相形重要，如:生產效能、交期、機器待機時間、任務完工時間等，在產業市場上為了做好內部管理與維持競爭力，因此在可視的產出指標，如：生產管理、生管排程的時間窗預覽以及產線預計完工日期可使管理更具多功能；鐵皮的生產或加工，常看得到中小企業的角色，尤因其易生鏽且需給多種不同客戶適用的特性，在產製過程中，延生更多不同的加工及處理，如：順序式生產，亦或因不同的產品有著不一樣的對應製程，含括多個加工的面向及方式，藉由不同的先後順序來找尋工時最佳的排序，除了傳產鋼鐵製造外，亦可提供給多種傳統有順序性的產業使用，雖然在產業屬性別間，仍存在有些許的差異需要調整，以求能與實務更為貼近。
A公司為因應社會快速變遷與高度競爭的時代，同業間無不卯足全力，求新求變，力求符合消費者的期待，從軟體或硬體的角度思維升級，在有限時間內，藉以降低成本並提升產業之附加價值及品質，以傳統鋼鐵加工業為例，交期時間壓力一直維持很高的佔比，排程工作更甚是如此，其工作要求為繁雜且多目標的工作，等同於NP hard 的議題，本篇將以具規則性的零工式生產排程(Job_shop_scheduling_problem)，簡稱JSP，以最小完工時間(min._makespan)為目標，在人力資源有限下，透過數學及啟發式演算法，來達到降低排程加工時間、成本、機台閒置，以提高排程及現場工作品質，一來能完成任務需求，不延期、降低衝突，再者藉由縮短完工時間，期能有餘裕時間，以應付突發及其他狀況。
世事如棋，乾坤莫測，在每一次的排程滾動與變化，皆可順利交件，其實每個人在時間的條件限制下，都站在同一條起跑線上，排程者唯一可以更動的地方，就是工序的前後順序調整，藉由觀察不同的時序，了解整個排程是否能符合最快速的製程時間，交期能否如期的完成客戶需求，對於客戶及工廠的產程管理者而言，無疑都是共同努力的目標；組織行為所提及管理者之重要任務乃在處理人的行為與行為背後的原因；當衝突發生時，排程也務必對人保留其應變的彈性，同時在其問題發生的當下，雙方能夠有效的溝通及協調，萬一有衝突產生時，也能夠微調產程排序，使其配合軟硬體協調達成一致。
在演算法中，常用於排程安排演算法中，有螞蟻演算法、人工蜂群演算法、模擬退火演算法、粒子群演算法等多種演算法，最終選擇基因演算並結合部份塔布功能，著眼於文獻探討中使用人數相對較多，再者單純基因並無記憶功能，無法排除落入區域最佳解，減少不確定的因素，往後的研究中，將採以基因算法為主(找各種可能區域最佳解)，擷取部份塔布演算法為輔(收斂)，兩相配合，藉以達到最佳解及最有效率解，並把讀取外部檔案相對有彈性的PYTHON為執行軟體，因為在輸出的視覺化裡頭有較多的支援。
在基因演算法中，除了原本的最低工時評分選項外，其中之一，安排完工時間盡可能不超出結束時間，超出會有懲罰值，超出值作平方，加回原本最低的完工時間，使得最低的完工時間變大，適應度函數值變小，因為超出值作平方，最終結果不好的可行解不容易被選中；本研究期能望透過兩階段基因演算法達成目標，第一階期段先取得重要參數，在實驗設計中先透過多重迴圈，取得演化代數、基因條庫數、突變率等較佳參數，再透過執行限制並預擬關鍵情境變數，最終把需求透過程式化求解，期望能用最少時間及最少的衝突的工序項目與時間，使複雜的排程工作，從工單、機台、工序、工作時間、到期時間，滿足各站及機台的需求及到期日之前出，若到期日在經過排程預先作業時，也可以讓管理者在第一時間知會相關人員，如客戶及公司業務、知會相關部門在原本的時間加班因應，甚或是委外代工，進而使得違約的懲罰風險下降，以達到多元及全方位的面向，藉以滿足客戶、公司、員工三方皆能滿意的狀況；第二階段，把參數帶入演算法中取得甘特圖，藉以取得以X軸為時間及Y軸為工單、機器之兩種甘特圖，方便實務對照及管控使用。
本碩士論文採用PYTHON為執行軟體，其強大的讀取外部功能在與實務對接相對有彈性，且在數據的讀取，收集與輸出的視覺化有較多的支援，其結果將藉由透過達成客戶交期前產出，最小完工時間，安排生產排程，可以在不違反交期時限，期能有效率的搜尋出有效果的解；本碩論文因時間因素，在此次並無考慮換模次數最少、完工時間多筆數多情境的實驗設計、機器學習與人工智慧的功能納入，待後進專家完備考量，並臻於完美。

SUMMARY
In the future research, the genetic algorithm will be used mainly (Look for the best solution in various possible regions), the Tabu algorithm is supplemented (convergence), and the twice are combined to achieve the best solution and the most efficient solution. This study expects to achieve the goal through a two-stage genetic algorithm. Duan first obtains important parameters, and through multiple loops in the experimental design, obtains better parameters such as evolutionary algebra, number of genes , mutation rate, etc., and then executes constraints and pre-calculates key situation variables, and finally solves the requirements through programming , expect to use the least time and the least conflicting process items and time to make complex scheduling work, from work order, machine, process, working time, due time, to meet the needs of each station and machine and issue before the due date. If the due date is scheduled in advance, the manager can also notify the relevant personnel during first stage, such as customers and company business, or notify the relevant departments to work overtime first. It can be even outsourced, thereby reducing the risk of penalty for breach of contract, so as to achieve a diversified and all-round aspect, so as to meet the satisfaction of customers, companies and employees; in the second stage, parameters are introduced into the algorithm to obtain Gantt charts. In order to obtain two Gantt charts with X-axis as time and Y-axis as work orders and machines, it is convenient for practical comparison and control.
Keywords: JSP(Job_shop_scheduling_problem), GA(Genetic_Algorithm), Penalty。

方信瓔，(2013)。混合式粒子群演算法應用於混合流程型生產排程問題-以半導體封裝廠為例。清華大學工業工程與工程管理學系學位論文，1-129。
李政聰，(2007)。整合型啟發式學習法於光電產業測試機臺排程之研究。成功大學工業與資訊管理學系碩士在職專班學位論文，1-87。
李維平，王雅賢，&江正文，(2008)。粒子群最佳化演算法改良之研究。Journal of Science and Engineering Technology，4(2)，51-62。
李維平, 李元傑, & 謝明勳. (2014). 以群中心策略改良人工蜂群演算法. 資訊管理學報, 21(1), 25-43。
易維君，(2010)。應用混合蟻群演算法於整合消費性電子供應鏈中具順序相依性設置時間之生產與空運配送之排程問題。交通大學工業工程與管理系所學位論文，1-68。
林子獻，(2014)。比較模擬退火演算法與禁忌搜尋演算法於 TFT-LCD 彩色濾光片廠先進規劃排程系統。清華大學工業工程與工程管理學系學位論文，1-66。
胡明全，(2016)。基於混合基因暨模擬退火法能感知繞線擁擠且考量電壓衰退之電源網路規劃法。國立成功大學電機工程學系學位論文，1-48。
徐千雯，(2012)。基因-禁忌演算法搭配新染色體表達法求解彈性零工式排程問題。交通大學工業工程與管理系所學位論文，1-52。
張景逵，(2013)。基於碳排放考量下之經濟調度規劃。國立臺灣科技大學電機工程學系學位論文。
黃建翰，(2012)。以三階基因演算法搭配作業序表達法求解彈性零工式排程問題。交通大學工業工程與管理系所學位論文，1-45。
黃謙研，(2014)。考慮批量流和集批加工之混合流程型生產排程問題-以半導體封裝廠為例。清華大學工業工程與工程管理學系學位論文，1-134。
賴佳玉，(2016)。求解具前置工作站之分散彈性零工式排程問題。交通大學工業工程與管理系所學位論文，1-40。
莊政霖，(2009)。應用塔布基因演算法於扣件產業之多目標生產排程究。成功大學工業與資訊管理學系碩士在職專班學位論文，1-133。
陳君涵，(2009)。萬用啟發式演算法研討會。取自http://ir.csu.edu.tw/bitstream/987654321/1152/1/364.pdf
陳建安. (2017). 應用基因演算法改進零工式生產排程之研究-以半導體封裝模具廠為例. 成功大學工業與資訊管理學系碩士在職專班學位論文, 1-54.
詹莊龍，(2008)。蟻群演算法於線上排程問題之研究。元智大學工業工程與管理學系學位論文，1-79。
廖麗滿；黃敬仁；林志諭(2011)。穩健多目標基因演算法應用於流程型工廠之排程研究。技術學刊 (Journal of Technology)，26.1: 65-71。
盧柏翔，(2015)。以基因演算法搭配簡潔染色體表達法求解分散且彈性零工式排程。交通大學工業工程與管理系所學位論文，1-59。
盧銘勳，&郭政宜，(2008)。應用螞蟻演算法於動態排程系統。臺北科技大學學報，41(2)，62-82。
謝欣達，(2014)。基於粒子群演算法之五軸側銑路徑規劃。清華大學工業工程與工程管理學系學位論文，1-89。
 

Chen, J. C., Chen, K. H., Wu, J. J., & Chen, C. W. (2008). A study of the flexible job shop scheduling problem with parallel machines and reentrant process. The International Journal of Advanced Manufacturing Technology, 39(3), 344-354.
Dorigo, M., Birattari, M., & Stutzle, T. (2006). Ant colony optimization. IEEE computational intelligence magazine, 1(4), 28-39.
Dorigo, M., Maniezzo, V., & Colorni, A. (1996). Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 26(1), 29-41.
Eberhart, R., & Kennedy, J. (1995, October). A new optimizer using particle swarm theory. In Micro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on (pp. 39-43). IEEE.
Glover, F. (1989). Tabu search—part I. ORSA Journal on computing, 1(3), 190-206.
Glover, F. (1990). Tabu search—part II. ORSA Journal on computing, 2(1), 4-32.
Holland, J. H. (1975). Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. Ann Arbor, MI: University of Michigan Press.
Chen, J. C., Chen, K. H., Wu, J. J., & Chen, C. W. (2008). A study of the flexible job shop scheduling problem with parallel machines and reentrant process. The International Journal of Advanced Manufacturing Technology, 39(3), 344-354.
Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of global optimization, 39(3), 459-471.
Kennedy, R. (1995, November). J. and Eberhart, Particle swarm optimization. In Proceedings of IEEE International Conference on Neural Networks IV, pages (Vol. 1000).
Kheirandish, O., Tavakkoli-Moghaddam, R., & Karimi-Nasab, M. (2015). An artificial bee colony algorithm for a two-stage hybrid flowshop scheduling problem with multilevel product structures and requirement operations. International Journal of Computer Integrated Manufacturing, 28(5), 437-450.
Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. science, 220(4598), 671-680.
Li, X., & Gao, L. (2016). An effective hybrid genetic algorithm and tabu search for flexible job shop scheduling problem. International Journal of Production Economics, 174, 93-110.
Li, J. Q., & Han, Y. Q. (2020). A hybrid multi-objective artificial bee colony algorithm for flexible task scheduling problems in cloud computing system. Cluster Computing, 23(4), 2483-2499.
Mohammadi, M., Musa, S. N., & Bahreininejad, A. (2014). Optimization of mixed integer nonlinear economic lot scheduling problem with multiple setups and shelf life using metaheuristic algorithms. Advances in Engineering Software, 78, 41-51.
Pezzella, F., Morganti, G., & Ciaschetti, G. (2008). A genetic algorithm for the flexible job-shop scheduling problem. Computers & Operations Research, 35(10), 3202-3212.
Pinedo, M. (2012). Scheduling. New York: Springer.
T. G. Chen and R. B. Xiao.( 2013)."A Dynamic Intelligent Decision Approach to Dependency Modeling of Project Tasks in Complex Engineering System Optimization," Mathematical Problems in Engineering, Art. no. 398123
Vidal, T., Crainic, T. G., Gendreau, M., & Prins, C. (2014). A unified solution framework for multi-attribute vehicle routing problems. European Journal of Operational Research, 234(3), 658-673.
Wang, B., Guan, Z., Ullah, S., Xu, X., & He, Z. (2017). Simultaneous order scheduling and mixed-model sequencing in assemble-to-order production environment: a multi-objective hybrid artificial bee colony algorithm. Journal of Intelligent Manufacturing, 28(2), 419-436.
Wang, L., Cai, J., Li, M., & Liu, Z. (2017). Flexible Job Shop Scheduling Problem Using an Improved Ant Colony Optimization. Scientific Programming, 2017.
Yuan, M., Deng, K., Chaovalitwongse, W. A., & Cheng, S. (2017). Multi-objective optimal scheduling of reconfigurable assembly line for cloud manufacturing. Optimization Methods and Software, 32(3), 581-593.
Zohrevand, A. M., Rafiei, H., & Zohrevand, A. H. (2016). Multi-objective dynamic cell formation problem: A stochastic programming approach. Computers & Industrial Engineering, 98, 323-332.
Zuo, L., Shu, L., Dong, S., Zhu, C., & Hara, T. (2015). A multi-objective optimization scheduling method based on the ant colony algorithm in cloud computing. IEEE Access, 3, 2687-2699.
 
參考網頁
dreamssundial. (2019年08月03日).作業車間調度與遺傳算Python/Java實現及應用：BitMES，基於Electron的作業車間調度系統. from CSDN:檢自 https://blog.csdn.net/daydream13580130043/article/details/95927841

sundial-dreams.(日期不詳).作業車間調度與遺傳算法Python/Java實現及應用：BitMES，基於Electron的作業車間調度系統.檢自 https://www.daimajiaoliu.com/daima/479555dbc9003e8
https://github.com/sundial-dreams/BitMESClient