面对动荡复杂的市场环境，端到端的供应链必须快速响应需求、高效率的成本与可持续性优化，实现多层次渠道、工厂间的预测、计划、仓储、运输、交付的同步化，最大化减少孤岛系统所导致的延迟。
复杂业务问题的优化一般有几个特征：
1、具有可能性的方案数量巨大，无法全部评估。
2、随时间或场景动态改变。
3、会受到极大的约束，以至于无法找到方案。
4、大部分约束变量都是互相依赖的。
5、大部分的目标是互相矛盾的。
复杂优化算法的几个特点：
1、启发算法寻找局部最优解，企图以这种方式获得全局最优解。
2、对于NP完全问题，还没有找到快速解决方案。
3、面临NP完全问题，最佳的做法是使用近似算法。
4、贪婪算法易于实现，运行速度快，是不错的近似算法。
5、运筹算法动态规划与线性规划：在多个约束条件下，寻找最优解。
6、随机仿真可能有更好的解决方案
7、并行算法与分布算法
8、智能算法（遗传算法、机器学习、深度学习）
企业数字化的进程分为对信息的反映、分析、预测、决策四个层次。其中信息的反映和分析主要是面对过去的，其集大成的管理信息系统就是这几年兴起的ERP；预测、决策主要是面对未来的，以集成信息反映见长的ERP，事实上在西方已经悄悄地向数字化决策转换了。企业决策的核心部件APS高级计划排程已被集成到ERP这个平台，并在提高物流效率上起到了显著的作用。
APS供应链优化就是在未预料的事件发生后，实时的供应链重计划，保证持续优化的可行的计划，保证按事先定义的业务规则，对整个供应链系统进行重计划并且使财务得到优化。
当今企业的供应链网络变得日益复杂和动态，企业的分销渠道也不断扩展，多层供应商基地日渐扩展，企业越来越依赖委外(outsourced)制造及物流，管理异常事件不再是一种偶发的要求而己成为了司空见惯的事。某个供应商或甚至他的供应商发生的故障，都影响到企业履行对顾客的承诺的能力。为了克服这些挑战，企业必须有效地管理整个供应链网络，企业目前是否能做到：
1、实时的进行分销商、顾客、及供应商协同
2、查询企业的整个全球供应链，包括企业的供应商的供应商
3、根据物料和资源约束，优化企业的供需计划
4、迅速地鉴定异常事件及以最优的解决方案
在过去的30年内，高级计划排程(APS)的市场开始繁荣起来。根据Advanced Manufacturing Research (AMR)报道，APS市场将在随后的几年以60%的速率增长。Pittigilo Rabin Todd & McGrath公司通过一项调查得出统计结果，企业实施完整的供应链APS后，可获得以下效益：
1、发货能力提高16%-18%
2、库存减少25%-60%
3、订单交货周期缩短30%-50%
4、预测准确性提高25%-80%
5、总体生产率提高10%-16%
6、供应链成本降低25%-50%
7、补给率提高20%-30%
8、产销量提高10%-20%
现在，大约有国内外几十个APS供应商在这个发展的市场上寻找自己的位置。对于如何理解APS基本方案之间的区别、每一个方案的优势和弱势、以及在特殊的制造环境中哪一个方案运作的最适合尤其重要。
计划和排程的区别对于新的APS产品来讲已变的模糊不清，而且它的性能也在不断的提高。如果制造商对客户需求的响应越来越强烈，计划和排程的区别将会彻底消失。幸运的是，新的APS系统正在向这个方向发展，并且离这个目标越来越近。目前，我们对于APS的关注受到对传统的计划MRP系统不认可的驱动。
但是第一代APS系统重点放在寻找更好的算法，不过它们都有一个共同的弱点是数据的实时采集和大数据的处理，如不能及时获得和处理动态的数据，它就违背了工厂的动态性、实时性，也阻止了APS系统反映真实的世界。更重要的是，它们不能满足快速响应客户新的需求。
APS是基于约束发展出来的新的高级计划。当然，我们不能仅仅考虑一个约束。因为约束很少是独立的，所有约束之间都是相互关联的。所以约束问题是比较复杂的，这是我们不得不接受的事实。
约束的研究开发已经引起了世界各个领域的专家的高度注意，因为它是最具有潜力解决现实中困难的问题，不仅仅具有很强的理论研究的潜力，而且也广泛吸引商业的利益。特别是在对变异中建模优化与满意问题上，正好符合企业管理和供应链管理的复杂性。所以，并不奇怪一直是被Association for Computing Machinery(ACM) 计算机协会所定义为作为计算机研究的战略方向之一。但是，至今CP约束规划(Constraint Programming)仍然是世界上了解最少、运用较少的技术之一。
在人类努力的大多数领域里，约束在不断增加，它们在物理世界形成互相依赖。但是，它们的数学概念却自然清晰。约束是在一些未知或变化里的简单逻辑关系，在给定的领域里，每一个约束取一值，于是就限制了变化带来的可能的值。关注所关心的变化，约束当然也可以是不协调的。约束的重要特点是它们的可以申明的方法及规则，如他们规定必须保持规则关系来加强此关系。
约束规划是基于约束的计算机系统的研究。约束规划的概念是详述问题的约束规则来解决问题，结果是找到让所有的约束都满意的方案。但是，目前约束规划仍还在圣杯中追寻的计算机科学的最现代的方法之一。APS约束规划已经成功应用到许多不同商业领域，就和分析DNA结构一样是多样化。在医院的时间表和工业领域上的排程应用上，实践证明它是能较好的解决现实的问题。
因为，许多应用领域需要约束，分派问题也许是第一个工业应用约束解决的工具。典型例子是机场位置的分配，飞机必须停在可用的位置(巴黎机场)，出发大厅的柜台分配(香港国际机场)，另外的例子港口船停泊的位置的分配(香港)。
用甘特图来描述计划，有限约束的排程问题可能是最成功的商业应用领域。约束自然表达了现实的限制。基于约束的高级计划排程APS被用于基于事件的排程，如工业的生产计划(InSol)或军队和商业的飞机的制造计划(Dassault Aviation)。多品种、小批量、按需求制造的趋势使得APS的约束规划使用率大大增加。
另外较大的约束应用领域是供应链网络管理与配置，这些问题包括网络的优化配置计划、优化的运输计划、供应链的能力承诺等。实际上，有许多领域已使用约束技术，近来应用包括计算机图形、自然语言处理(有效语句的建设)、数据库系统(保证数据的一致)、分子生物学(DNA的排序)、商务运用、电子工程、电路的设计、运输问题等。
但是，在现实中对约束规划广泛的运用存在一些局限和缺陷。因为当前使用的工具有一定的局限和没有涉及到的领域。其实，约束规划欲解决的问题大多是非常难的问题。无论是从理论上还是实际的观点来看。约束的定义能促使问题可追踪是非常重要的。然而，当大部分的方法都难解决的难题时，约束规划是否有效性仍然是不可预测的、何时、如何使用约束。
由约束系统的使用者陈述大部分的问题来稳定约束模型，在程序里或在数据里的较小的改变都能导致系统性能上戏剧上的变化。不幸的是，在稳定执行多样的数据的变化性能调整上，目前的技术水平还未较好掌握。
有时盲目的快速搜寻，简单按时间顺序后排或前排可能比高级算法技术约束更加有效。在许多约束模型里的特别问题要考虑成本优化，它是对改善起初的方案是非常困难的。因为，可能一个小的改善就会花去很多时间。在实时的方案和最好的方案之间交替出现。
约束规划在一些观念上更加先进，可以动态增加约束。大部分情况下，约束规划系统产生的计划是可执行的。除了机器故障、延迟的计划。在最坏的情况下，新订单的接受，需要快速的重排计划或提高当前的方案来处理未预料的事件。通常，最优的计划方案和可以处理较少差异的、稳定的、次优化的方案之间交替迭代。
当前的约束满意系统的缺陷标志着未来研究发展方向。在它们之间建模看上去是最重要方法之一是已经开始研究使用全局约束。要把主要的约束开发到更有效的APS软件包需要更有效的建模语言来表示约束问题。目前，大部分约束规划CP软件包要么是程序语言的延伸(CLP)，要么是用程序语言库(ILOG Solver)。约束建模语言和可视建模语言被用来从可视图形产生约束规划(VisOptVML)。
目前，可视化的技术越来越流行，可以定义系统的瓶颈，对可视化的控制研究也是约束规划的重要内容之一。
各种约束解决方法的交互研究是最具挑战的问题之一。混合算法结合各种约束技术是这个研究的结果。另外最令人吸引的研究领域就是解决协同和对应的集成理论，约束满意技术和传统的运筹OR(Operation Research)方法如整数规划也是是另外的挑战。研究平行和并行的约束已作为提高效率的重要方法，在这些研究领域里，多层代理技术看上去最有前景。
在众多公司运用供应链高级计划的时候，发现所能给自己带来的改进收益大大超过成本节约的措施所带来的收益。而且，APS能够在加强整个供应链响应方面发挥更大作用。
人们在从几个月到甚至几年的时间轴上建立约束模型，从而考虑物料和能力方面的问题，设定生产的优先等级。高级计划排程系统运行在独立的服务器上，并常驻内存进运算。运算使用的也是特殊开发的运算程序，这样可以考虑在当时状态下的物料、能力和其他的约束条件，产生相应的生产计划。运算的速度既要满足计划的灵活多样性，也要能够让用户模拟计划时的实际情况，计算出可能交付的时间。
高级计划排程系统的最初运用是在一个企业的范围内进行计划的运算和优化，但它被扩展到供应链的计划，这包括供应商、分销商和出货点的需求。不同的软件供应商选用不同的优化算法搭建自己的高级计划排程系统软件，这对其自身也是挑战。
比方说，高级计划排程不是简单应用某一项技术，优化算法有很多种，需要根据解决不同的问题来决定采用哪种算法引擎。供应链与制造过程上的现实问题是相当复杂的。即使是今天，如果不运用一定的归并运算，性能再高的计算机也是没法设定相应的运算模型，计算相应的计划结果的。另外，如何把不同的系统数据整合在一套高级计划排程系统识别的环境下，这也是面临的一项艰巨的任务。
在高级计划排程系统中除了包含传统的优化算法方法，比如：线性运算和复合整数运算，还包含了许多种启发式算法。要比较各种启发式算法的孰优孰劣是一件非常难的事，它们难分高下。
启发式算法的参数设置不同，其相应的运算性能也会大大的不一样。即使有人对各种启发式算法作过认真比较，在实际的运用中还是不能单纯依据比较的优良结果选择计划的启发式算法。这应该考虑许多方面的内容，综合平衡以下的多方因素来定：计划结果的质量高低需求、不同算法的准确性（以解决不同类别问题时，该算法运算结果同优化算法结果的差距来衡量）、做该运算要付出的努力。总而言之，运算结果的优良是要仔细检查的。
高级计划排程系统包含的某些算法是把几种存在的算法合并在一起形成新的综合性运算；比方说，解决约束问题的算法可以归类为以下几个方面:
1、系统搜索法：先运算再测试法，反向跟踪法。
2、一致性计算法：节点一致性计算法，弧形一致性计算法，路径一致性计算法，约束路径一致性计算法。
3、约束传播算法：后向算法、后向跳跃算法，后向检查算法，后向标记算法。前向算法，前向检查算法。局部前查算法。
4、随机算法和推导算法：爬山法，最小冲突算法，随机算法，Tabu搜寻算法，连接算法。
然而，如果是求约束条件下的最优解，推荐的算法通常是非常有名的分枝定界算法(Branch & Bound)。
约束规划CP（Constraints Programming）以启发约束为基础的计算系统，它的构想是针对问题所描述的约束或需求寻求满足所有约束的解决方法来解决问题。CP约束规划也是解决复合条件问题的方法。约束规划的起源是对编程语言的研究，而并非是对企业运作的研究，它的目的是尽量减少编制求解复合条件问题算法程序的工作量。一个约束条件软件包包含了最基本的一些算法，由此形成约束系统里推导最佳解的基础。
基于许多约束条件不断推导最优解的算法是一种基本的程序编程中的软件包。它运用最基本的运算方法实现非决定性的推导算法。这种类型的算法除了包括线性方程求解算法、区向推导、布尔整合算法，还包含近期发明的边界探测法。基于这种算法产生了计划排程的应用程序。
约束规划的一项缺陷是缺乏对模型创建的支持。优化算法语言的开发人员在开发的过程中，确实曾经试图把约束规划的强项同代数的建模运算功能整合在一起。通过比较，人们可以发现约束规划同整数编程算法间的紧密联系。
过去十几年来，约束规划已经引起许多不同领域的学者的重视。现在，约束规划具有完整的理论基础，应用于解决复杂问题，提供广泛的商业用途，特别是在异质性最优化问题(Heterogenous Optimization)和满意问题(Satisfaction Problems)的应用。然而，约束规划目前仍是处于深入研究和开发的科技领域之一。
约束(Constraints)是用来代表几个未知数或变数之间的一种逻辑关系，每一个变数具有一组可能的值域(Domain)，该约束将会规范这些变数值的可能组合。例如，正方形S內含一个圆形C；某一英文字W的长度有10个字母；X小于Y；三角形內为180度；仓库内的温度必须控制在0~5°C；某某在周三下午2:00之后可以出席演讲会；生产过程中的产能、物料、工装模具、人力约束。等等。
约束可以使用这些方式来表示：(1)，使用数学或逻辑形式。(2)，使用表列形式。
约束规划问题包括：一组变数，每一变数有一组数值，既值域(domain)；一组约束式，约束规划的解(Solution)是满足所有约束式的一组完整的变数值。
约束规划的形成由:
(1)、人工智能(Artificial Intelligence)的影像标示问题(Scene Labelling, Waltz 1975)。
(2)、互动图形(Interactive Graphics)的画板(Sketchpad,Sutherland 1963)和题库(ThingLab, Boring1981)。
(3)、逻辑规划(Logic Programming)，统一(unification)约束解题(constraint solving) (Gallairo1985,Jaffar&Lassez1987)。
(4)、运作研究和离散数学的NP-hard优化组合问题。
约束规划的求解技术可分为：
1、约束满意问题(Constraint Satisfaction Problems)
2、约束最优化问题(Constraint Optimization Problems)
3、超约束问题(Over-Constrained Problems)
4、约束解题(Constraint Solving)
约束满意问题：一组变数，X={x1,x2,x3,x4}。每一变数都有一组有限集合，称为值域。变数的值不是必然是整数值或实数值。一组约束式来规范变数的值。约束满意问题的解是根据每一变数的值域指派一个数值，同时可以满足所有的约束条件。只要一个解，不偏好那一个。一个最优或满意的解，是基于目标函数值。约束满意问题的解可以由系统化搜寻各种可能的变数值而产生，搜寻方法可分为二大类型：部分数值指派法(Partial Value Assignment)；穷举数值指派法(Explore Complete Assignment)。
系统化搜寻：系统地探索所有可能的指派数值空间。所谓系统化即指每一种评估将有机会出现。系统化搜寻的优点在于完整性，即如果问题有解，则必可搜到；其缺点是可能会花费相当多的时间寻找答案。系统化搜寻可分成二大类：一是完整探索指派法(Explore Complete Assignment)，包括产生测试法(Generate and Test，GT)。二是延伸部份指派法(Extending Partial Assignment)包括后退追踪法(Back tracking)，后退跳跃法(Back jumping)，后退标示法(Back marking)等。
产生测试法(GT)的构想是首先随机产生完整的变数标示值，接着测试这些标示值是否满足约束式。如果是满足，则显示已经找到的一个答案，否则继续产生其它的标示值。产生测试法(GT)是相当没有效率，因为其产生器不具任何学习性。因此造成许多不一致情形。改善的产生测试法(GT)的方法有二，其一是使产生器具有学习评估功能，通常利用随机演算法來改善；其二是产生器和测试器合并为一，能立即判断变数标示值是否可行，例如后退追踪法（BT）。后退追踪法(BT)是从一组部份解，基于重复挑选其他变数的值逐渐延伸成一組完整的解，而這些变数值的标示方式是和目前部份解的值一致的。换言之，后退追踪法是依一定顺序来标示变数值，当某一约束式的变数群都有标示，则立即检查该约束式的合理性。如果一组部份解违反其中的约束式，后退追踪法将会針对最后标示的变数挑选其他可能的标示值，因此可以消除不可行的变数值域空间。
后退追踪法(BT)至少有三个缺点：痛击(thrashing)，有重复犯错的机会。累赘作业(redundant work)。未及时发现冲突现象(late detectionof the conflict)。解决前二个缺点的方法有后退跳跃法(Back jumping)及后退标示法(Back marking)。而第三个缺点可以用一致性技术(Consistency Techniques)加以改善。
一致性技术(Consistency Techniques)
一致性技术(CT)是由变数值域中将不一致的数值逐一移除，直到答案出现，基本上是属于确定性搜寻法(deterministic search)。应用一致性技术时，通常将约束规划问题表示为约束网络图形(constraint networkgraph)，其中节点代表变数，连线代表为约束式。最单纯的一致性技术应该属于节点一致性(nodeconsistency，NC)，主要方法是将变数值域中与单一约束式(unary constraints)数值移除。
应用最广泛的一致性技术应属于弧线一致性(arc consistency，AC)，其方法是变数值域中与二元约束式(binary constraint)不一致的数值移除。其主要作法是不断地修正弧线直到一致性状态成立或是某值域成为空集合。其中最常用到的是演算只针对先前修正过的相关弧线重新考虑修正；而需要基于用资料结构来查核配对变数值的一致性。尚有一种路径一致性(path consistency，PC)技术，针对配对变数(X,Y)的数值，在顺着X和Y之间的路径中，检查是否存在一数值能满足其所有二元约束式。
约束传播(Constraint Propagation)技术
约束传播技术主要是应用回朔方式(Look Back schema)，对于已经启动过的变数进行一致性查核。其中后退追踪(BT)是属于此项技术最简单的一种,此外尚有后退跳跃(BJ)，后退检核(Back Checking，BC)，后退标示(BM)等。
所有回朔方式都有一个缺点，即无法及早诊断出冲突(late detection of the conflict)。因此又提出提前检查(Look Ahead schema)的策略来避免产生以后的冲突。提前检查的策略包含向前检查(Forward Checking，FC)，部份提前检查(Partial Look Ahead，PLA)，完整提前检查(Full Look Ahead)等。
随机和启发式演算法(Stochastic and Heuristic Algorithm)
贪婪局部搜寻策略(greedy local search)已经成为相当普遍的方法，这些演算法逐次地针对所有变数修正其不一致的指派值，以达到更完整的解，另一方面，为避免陷入局部最小值(local minimum)，采用不同的启发式方法随机搜寻功能。
爬坡法(Hill-climbing)是最普遍的一种局部搜寻方法，一开始先随机地产生一組变数标示值，接著在每一迭代步骤中，修正某一变数的值以滿足更多的约束式。如果已经产生一组严格局部最小值，则该演算法再度重新随机地产生另一组初始解进行搜寻，直到全域最小值(global minimum)找到为止。
最小冲突法(min-conflicts，MC)随机地挑选任何冲突的变数，再选择一个数值使不满足的约束式为最少。
禁忌搜寻(Tabu search，TS)是根据一种禁忌清单的想法，选择保留过去搜寻的经验及记忆，以避免重复循环地搜寻作业及陷入局部最小值。
约束最优化问题(Constraint Optimization)
约束最优化问题包含一组标准约束满意问题及一个最优化目标函数，将所有的解标示成一个函数数值。分支界限法(Brand and Bound，B&B)是约束最优化问题中最广为使用的技术，以寻找最优解。
超约束问题(Over Constrainted Problems)
当问题的约束是相当繁多时，有可能无法产生滿足所有约束式的解，此种系统称为超约束(Over-Constrainted)，处理超约束系統的方法有部分约束滿意(Partical Constraint Satisfaction)及约束层级法(Constraint Hierarchies)。
部分约束满意法是设法从部分变数中找出一组滿足部分约束式的数值，逐次寻找出最好的一组解。约束层级法将约束式区分为软性、強性、或偏好的约束式，构成一种约束式的层级，接著从最強的层级开始处理约束式，直到最弱层级。
局限及困境(Limitations)
许多约束规划所解决的问题都属于NP-hard组合优化难题，因此如何判断出问题是否可以解决是相当关键性。此外，求解之速度也是必须要考虑的。约束模式的稳定性是一般约束规划使用者最共同的问题，亦即当规划程序或数据稍作更动，往往会引起演算效率极大的差异。如何选用适合的约束满意技术来解决特定问题也是另一个重要的内容。
APS高级计划排程系统的优化(Optimization)主要算法分类分析
第一类：数学规划类，较适用于供应链计划、战略计划如网络选址、寻源等。
第二类：启发式规则算法（约束理论或模拟仿真等），较适用于工厂战术计划或车间运作计划如生产排产调度等。
第三类：人工智能，较适用于有复杂大量的可能方案优化选择。
APS高级计划排程系统优化算法主要分四代：
第一代：基于约束理论的有限产能算法。
第二代：基于规则的算法。
第三代：基于启发式CP规则的算法、线性规划、专家系统、智能算法、遗传算法、模拟退火算法、蚁群/粒子群算法、神经网络。
第四代：人工智能动态调整算法，以智能算法进行静态排程，以多Agent协商进行动态调整。
高级计划排程系统APS的计划和排程所采用的算法往往大不相同，对企业优化目标所造成的影响也大不相同。算法的优劣不是站在算法本身考虑的，而是从对问题解决的相关度上来看。
在计划当中，当时间刻度是以天、周、月等划分的时候，为了实现有限产能、有限物料的统一优化，往往采用是以线性规划或者混合整数规划为主的优化方法。
在排程当中，当时间刻度非常小，或者允许是连续时间的时候，为了实现次序的优化，往往采用以约束规划CP、经验规则或者启发式算法为主的优化方法。
高级计划AP (Advanced Planning)：
主要算法：线性规划、遗传算法等。（但也可以规则算法）。时间跨度为天、周、月等。主要针对问题Lot Sizing (产量），Resource Assignment （资源调配），这里的资源可以是资源组，也可以具体资源。
优点：1、可以适应企业多目标优化。2、目标可以有优先级。3、成熟技术。4、适合大规模问题。5、可以找到最优值或者较好的次优值
缺点：1、对于次序问题比较困难。2、动态重排的频率不能太多。2、大规模商用成熟优化器一般比较昂贵。
高级排程AS (Advanced Scheduling) ：
主要算法：约束规划（CP）、经验规则、启发式算法。时间跨度为连续时间，或者分、小时等。主要针对问题派工与Sequencing （顺序）。
约束规划CP算法：
优点：1、可以处理次序问题。2、可以处理复杂工序问题。3、算法以找到可行解为主要目标。
缺点：1、无法实现多目标同时优化。2、算法个性化程度较高，开发难度大。3、可处理的变量数量和复杂程度限制较高。
经验规则算法：
优点：1、运算速度快。2、开发简单。3、容易理解。
缺点：1、往往不能找到最优解，而是一个可行解。2、对规则的质量要求很高。3、无法实现多目标同时优化。
启发式算法：
优点：1、可以找到较好的解决方案。2、运算速度较快。
缺点：1、算法个性化程度较高，开发难度大。2、可处理的变量数量和复杂程度限制较高。3、方案的稳定性随着问题的不同而有较大差异
从上面分析我们可以看到，计划可以对企业多目标进行优化，但在时间刻度上做了简化，是一个以企业多目标为导向的优化工具；而排程的优势在于执行层面，但因为算法本身的制约，无法看得更宏观、更系统的优化。
时间刻度越小，为了能够在可以容忍的时间内产生一个较好的方案，问题的范围就越要缩小，排程算法在增加细节操作的可控性的同时，也失去了时间跨度的优势，也就失去了对企业在较长时间范围内目标的可控性。
这就需要可以既能够满足计划的要求，也能够排程的细节，软件就要包含了两种（或者多种）不同的算法，可以按照一定逻辑先后运行，根据不同的时间段和场景的复杂性自动的选择算法，智能决策。
未来趋势
如何建立约束规划，建模(modeling)仍然扮演相当重要的角色。目前大部份的约束规划套装软件都是以程序语言编写或是程序库(libraries)所组织，如ILOG SOLVER。约束模式语言如能以可视化技术(Visualization Techniques)来进行搜寻过程，将可协助找出系统的瓶颈；这种以可视化来掌握搜寻的技术将是未来的一种选择。鸡尾酒演算法(hybrid algorithm)综合各种解决技术，将会是未来研究的内容。结合传统作业研究技术，如整数规划、组合最优化技术，将是另一个研究的挑战。利用多层代理技术(multi-agent technology)，以平行及同步约束求解法将可改善其求解速率。
今天，人们已经把优化算法应用到了企业管理、工厂运营及供应链管理的软件之中，从我们熟悉的APS高级计划排程软件或SCP供应链软件到现在的IBP（Integrated Business Planning）集成业务计划软件，各种算法引擎和算法求解器也随之涌现。或许有人会问，是否在运营软件内置开发算法还是集成第三方的优化算法平台？要回答这个问题可以考虑以下的几个方面：
1、同传统的公司内的计划排程相比，供应链计划排程无论是在考虑的组织机构范围还是在算法上都复杂了许多。
2、现在，人们可以在工厂及供应链管理系统中用图形界面操作优化算法模型。计划员可以较少考虑如何形成计算模型，也不需要具备矩阵方程的细节知识以及掌握计划编程语言和求解方法。人们可以通过设置处罚成本来设置计划中的约束条件。比如：可以设置较高的外部采购成本模拟发包生产的能力。
3、用户都不期望单独开发MES执行系统同APS优化计划系统间的接口。ERP系统同APS系统、MES系统间概念层和物理层的连接大大地方便了用户操作业务数据和整合后的计划排程数据。ERP和MES的供应商因此可以提供有价值的系统集成服务。这有助于人们接受优化算法和优化模型。
4、由于计算机硬件性能的不断提升，今天，人们已经可以把大容量的数据常驻在内存里进行计算。这项技术可以极大地缩短系统读取硬盘的时间，因此在过去几年，该技术减少了系统运算高度复杂问题时的时间消耗。当然，如果碰到系统崩溃重新启动，这也会造成数据的不一致性问题。现在，可以用分布式计算技术即云计算和边缘计算来提高计算性能。
5、管理层在选择软件时常常倾向于基于启发式算法但具有图形界面的软件，而不愿选择能优化解决问题但没有图形界面的软件。图形界面和近来不断推广使用的基于网页的图形界面的使用，使得运算过程和最终解可用图形来展示。图形界面的功能使得工厂及供应链系统在各级管理层都能被较好地接受。
从理论上讲，APS系统采用的算法质量是在决策选择哪一套系统进行实施时最重要的考虑因素之一。人们应该在相当清楚该APS系统的优化计划引擎的功能后，才决定是否投资该APS系统。然而，APS系统包含的算法描述得不甚清楚。人们对各种算法冠以奇异的名字，常常用科学的概念和名称。不同的公司都在提供算法，一个让人们感到混淆不清的现象是，这些多样的算法总是被冠以深奥的名字。大体上讲，系统的供应商在开发软件时都是为他们的优化计划引擎配以相应的算法。不管这种算法是其自身开发的、从其他供应商处购买的还是开放公用的。这就使得在选择优化计划软件时，必须重点关注的要素。
另一方面，人们从实施的经验中也认识到算法只是评估APS系统最重要的要素之一。与以前的结果相比，用户在评价软件功能时，除了把优化算法的结果作为了最为重要的属性，同时也更加关注实时的现场细节与动态的计划排程的适应性及快速响应性。
今天，利用边缘计算技术所带来的实时可视化以及AI机器学习驱动的供应链计划与流程的优化能力。通过人工智能机器学习技术根据各种内外部影响因子与消费属性产生未来的需求预测与需求替代、预判供应链中未来的风险与断供、自动判定供应链例外状况优先级、自动提供建议解决方案、考虑各种因子对供应链的影响性自动分类、对产品判定属于哪一种细分类别、自动学习修正供应链计划所需模型参数，如：提前期、良品率、优先级等等参数动态优化。
通过实现端到端的供应链实时可视性的数字能力与人工智能算法技术对假设场景的可决策能力与运筹优化最佳的方案并形成一个永无止境的持续改善与自我学习、自我修复的韧性智能供应链。
*ILOG公司已被IBM并购
*参考资料：专著-APS供应链优化引擎[M]，蔡颖，广东经济出版社
.............
公众号： 高效计划与智能调度排程研究会
微信号： APS_Society
网站： www.itapss.cn
中国很多企业处于亚健康状态，其特征是“三高”即高交期、高库存、高成本。精益生产、MES、APS、供应链优化是消除企业三高的良方，建立高效的计划执行体系，系统的实现卓越制造。