研究主題

研究簡介

運用作業研究理論與演算方法，來解決企業在生產管理、物流配送或供應鏈網路之相關問題，
以期提升企業生產力與營運績效，並訓練學生的邏輯思維及程式能力。

　　目前全世界面臨到人工智慧的衝擊下，產業的升級有其必要性，企業經營若只是閉門造車，在這波AI的潮流之中將很容易被淘汰，也因此在這兩三年有越來越多的企業進行AI再造。

　　供應鏈管理與排程優化實驗室過往是透過發展優化啟發式演算法，來解決供應鏈與排程優化問題。在現階段的AI技術發展與電腦運算效能強化之下，我們正透過啟發式演算法的技術，來結合機器學習與深度學習的方法，往以下的幾個產業或學術界的議題來著墨：

機台參數優化問題

長期以來，工廠的生產機台常需要有工程師調機來找出適當的生產參數，以避免生產出不良的產品，過往大多是透過工程師的經驗、試誤、或實驗設計的方法來找出生產參數，其經常耗費大量的時間與人力，且得到的參數也可能僅只是還可以的數值，非為最佳參數，這樣的問題在目前因電腦的高速運算，已經可以透過過往大量的機台歷史數據來建構出機器學習或深度學習模型，再透過啟發式演算法來得出某一生產工件或批量的最佳機台生產參數，這不僅能減少調機所需耗費的時間與人力，也可以減少後續的檢驗成本，並提供後續執行智慧化排程的基礎。

特徵選取問題

工廠的生產機台做完一批工單，常需要進行檢驗以了解生產的品質，因工單生產前產品品質或許已有不同，生產參數與環境參數也可能不同，但我們很難去掌握所有的相關參數，這也使得我們往往不容易去找出影響生產品質的因素，工廠若能透過物聯網的技術，透過感測器佈建來監控所有可能的環境參數與生產參數，則我們可以藉由大量的歷史生產數據，透過機器學習/深度學習的方法來找出影響品質的關鍵因數，快速解決生產品質問題，也可簡化機台參數優化問題當中的模型建構特徵數量，這兩個問題對於工廠生產有其相輔相成的影響。

啟發式演算法參數優化問題

啟發式演算法發展的歷程當中，如何設定演算法的參數一直是極重要的問題，它多半直接影響了求解品質的好壞，但過往的演算法發展多著墨在方法的建構，對於演算參數如何優化頂多透過實驗設計、過往文獻、及發展公式化的方式來處理，若我們將此一問題，看成為一個機台參數優化的問題，透過逐次改善搜尋的目標值與演算參數來建構機器學習或深度學習模型，並透過每次搜尋來更新此一模型，並以此反饋出之演算最佳參數來計算求出目標值，透過不斷的模型更新與演算解搜尋來找出最優化解。

__________________________________________________________________________________________________

生產規劃與排程：針對生產相關活動，安排其生產時序或規劃其生產計畫。過往之研究包含半導體相關排程、越庫作業排程、以及訂單接受與排程等議題。目前則是朝向智慧排程、機台保修排程、機台與搬運設備同步排程以及醫療排程等領域發展。