Giới thiệu dự án

Trong kỷ nguyên công nghiệp 4.0 và chuỗi cung ứng phản ứng nhanh (Fast Fashion & Just-In-Time), ngành sản xuất phụ liệu may mặc và giải pháp nhận diện thương hiệu chịu áp lực khốc liệt về thời gian giao hàng (Lead time) và tính tùy biến cao của sản phẩm. Công ty TNHH Avery Dennison RIS Việt Nam (KCN Long Hậu, Long An) là doanh nghiệp đầu ngành chuyên cung cấp giải pháp nhãn ép nhiệt, thẻ treo, nhãn dệt và RFID cho các thương hiệu thời trang toàn cầu. Tại đây, bộ phận Thermal/Flexo giữ vai trò huyết mạch trong việc xử lý các đơn hàng tem nhãn thông tin biến đổi với khối lượng hàng triệu sản phẩm mỗi ngày.

Thực trạng sản xuất tại bộ phận Thermal/Flexo đối mặt với bài toán điều độ phức tạp: sự thay đổi liên tục về tiến độ giao hàng từ khách hàng, tính chất đơn hàng đa dạng (High-Mix Low-Volume) và cấu trúc phân xưởng gồm nhiều công đoạn nối tiếp có máy song song (Flexible Flow Shop). Theo số liệu thống kê tháng 3/2021 tại doanh nghiệp, tỷ lệ đơn hàng bị trễ hạn lên tới 30%. Nguyên nhân cốt lõi bắt nguồn từ việc công cụ điều độ tích hợp trong hệ thống ERP Oracle hiện hữu chủ yếu dựa trên các quy tắc trực giác (Dispatching Heuristics), kết hợp việc nhân viên điều độ (Master Production Scheduling - MPS) hiệu chỉnh thủ công dựa trên kinh nghiệm cá nhân. Phương pháp này không thể bao quát hết không gian nghiệm tổ hợp, dẫn đến lịch trình sản xuất phân tán, thời gian chờ giữa các công đoạn cao và tắc nghẽn cục bộ.

                  THỰC TRẠNG ĐIỀU ĐỘ & NGUYÊN NHÂN TRỄ HẠN

Mục tiêu cụ thể của đồ án:

  1. Khảo sát, phân tích toàn diện thực trạng quy trình sản xuất và phương pháp điều độ tại bộ phận Thermal/Flexo - Công ty TNHH Avery Dennison RIS Việt Nam.
  2. Thiết lập mô hình toán học Quy hoạch tuyến tính nguyên hỗn hợp (Mixed Integer Linear Programming - MILP) cho bài toán điều độ Flow Shop linh hoạt (Flexible Flow Shop Scheduling Problem - FFSP) đa mục tiêu.
  3. Ứng dụng giải thuật Nhánh và Cận (Branch and Bound - B&B) kết hợp công cụ tối ưu hóa chuyên dụng IBM ILOG CPLEX Optimization Studio (v12.10) để tìm lịch trình sản xuất tối ưu toàn cục.
  4. Đánh giá tính khả thi, đo lường hiệu quả giảm thiểu tổng thời gian hoàn thành (Makespan - $C_{\max}$) và triệt tiêu thời gian trễ hạn so với phương pháp heuristic hiện tại.

Phạm vi nghiên cứu tập trung vào dây chuyền sản xuất con nhãn 6 công đoạn qua 7 trạm máy chính tại bộ phận Thermal/Flexo, sử dụng tập dữ liệu sản xuất thu thập từ ngày 01/03/2021 đến 29/04/2021. Giới hạn mô hình giả định thời gian chuyển đổi máy (Setup time) được gộp vào thời gian gia công và không xét đến sự cố dừng máy đột xuất (Machine Breakdown).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại phân xưởng Thermal/Flexo, quy trình điều độ hiện hữu bộc lộ nhiều điểm nghẽn kỹ thuật khi đối chiếu với các phương pháp lập lịch hiện đại:

Tiêu chí so sánh Phương pháp thủ công / Kinh nghiệm MPS Giải pháp Oracle APS (Hiện tại) Giải pháp B&B trên CPLEX (Đề xuất)
Bản chất giải thuật Trực giác, phân công cảm tính Dispatching Rules (FIFO, EDD, SPT) Thuật toán tối ưu chính xác (Exact B&B)
Tính tối ưu Rất thấp, dễ xung đột tài nguyên Cục bộ (Local Optimum), không tối ưu $C_{\max}$ Tối ưu toàn cục (Global Optimum)
Thời gian tính toán Phụ thuộc người lập lịch (30-60 phút) Nhanh (1-3 phút) Cân bằng (Vài giây đến vài phút với MILP)
Xử lý đa mục tiêu Rất khó cân bằng Giới hạn theo trọng số cố định Tùy biến trọng số $\alpha C_{\max} + \beta \sum \text{Tardiness}$
Tỷ lệ trễ hạn Cao (>30% vào mùa cao điểm) Trung bình - Cao (30% ghi nhận tháng 03/2021) Triệt tiêu về 0% trên tập dữ liệu kiểm chuẩn

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Mô hình hóa chính xác luồng 7 trạm máy; ràng buộc không chồng chéo công việc trên cùng một thiết bị; ràng buộc thứ tự công đoạn trước - sau; triệt tiêu đơn hàng trễ hạn ($e_i = 0$).
  • Should have: Tối thiểu hóa tổng thời gian hoàn thành ($C_{\max}$); giao diện nạp dữ liệu ma trận thời gian tự động từ bảng tính Excel vào Solver.
  • Could have: Khả năng mở rộng tích hợp thời gian Setup phụ thuộc trình tự (Sequence-Dependent Setup Times - SDST).
  • Won't have: Điều độ tự động theo thời gian thực khi có sự cố hỏng hóc máy móc vật lý (Dynamic real-time rescheduling).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành một chuỗi xử lý dữ liệu khép kín:

Technology Stack triển khai:

  • Solver Engine: IBM ILOG CPLEX Optimization Studio v12.10 / OPL (Optimization Programming Language).
  • Data Integration: Microsoft Excel 365 / OpenXML SDK xử lý ma trận đầu vào.
  • Hardware Profile: Máy chủ trạm điều độ Intel Core i5-10400 @ 2.90GHz, 16GB RAM, nền tảng Windows 10 Pro 64-bit.

Methodology

Nghiên cứu áp dụng quy trình nghiên cứu định lượng kết hợp mô hình hóa toán học Operational Research (OR):

  1. Thu thập dữ liệu: Thu thập định mức gia công $p_{im}$, ngày đến hạn $d_i$, sơ đồ định tuyến qua các trạm từ hệ thống Oracle.
  2. Xây dựng mô hình MILP: Thiết lập hệ thống biến số, hàm mục tiêu và hệ ràng buộc tuyến tính hóa.
  3. Thực nghiệm mẫu nhỏ (Small-scale verification): Chạy kiểm chứng mô hình với 5 công việc, 2 trạm, 5 máy song song để xác thực tính toàn vẹn logic.
  4. Triển khai dữ liệu thực tế (Real-world scaling): Áp dụng bài toán 10 công việc quy mô lớn trên hệ thống 6 công đoạn/7 trạm máy song song thực tế tại nhà máy Long Hậu.

Implementation và kết quả

Development process & Mathematical Formulation

Mô hình Quy hoạch Tuyến tính Nguyên Hỗn hợp (MILP) cho bài toán Flow Shop linh hoạt được xây dựng với hệ thống ký hiệu toán học chuẩn xác:

Tập hợp và Chỉ số:

  • $i, j \in N$: Tập hợp các công việc cần gia công ($N = {1, 2, \dots, n}$).
  • $s, n \in K$: Tập hợp các trạm sản xuất ($K = {1, 2, \dots, k}$, với $n$ là trạm cuối).
  • $m \in M$: Tập hợp tất cả các máy móc trong phân xưởng.
  • $M(s) \subset M$: Tập hợp các máy song song thuộc trạm $s$.

Tham số:

  • $p_{im}$: Tổng thời gian chuẩn bị và gia công của công việc $i$ trên máy $m$.
  • $d_i$: Thời hạn hoàn thành (Due date) của công việc $i$.
  • $\alpha, \beta$: Trọng số ưu tiên ($\alpha + \beta = 1$, mặc định $\alpha = 0.5, \beta = 0.5$).
  • $\text{BigM}$: Hằng số dương rất lớn dùng để tuyến tính hóa các ràng buộc logic rời rạc.

Biến quyết định:

  • $B_{is} \ge 0$: Thời điểm bắt đầu xử lý công việc $i$ tại trạm $s$.
  • $F_{is} \ge 0$: Thời điểm kết thúc xử lý công việc $i$ tại trạm $s$.
  • $C_{\max} \ge 0$: Tổng thời gian hoàn thành tất cả các công việc (Makespan).
  • $X_{ims} \in {0, 1}$: Biến nhị phân, bằng 1 nếu công việc $i$ được phân công vào máy $m$ tại trạm $s$, ngược lại bằng 0.
  • $Y_{ijm} \in {0, 1}$: Biến nhị phân định thứ tự, bằng 1 nếu công việc $i$ được gia công trước công việc $j$ trên cùng máy $m$, ngược lại bằng 0.
  • $e_i \in {0, 1}$: Biến chỉ thị trễ hạn, bằng 1 nếu công việc $i$ hoàn thành sau hạn giao ($F_{in} > d_i$), ngược lại bằng 0.

Hàm mục tiêu: $$\min Z = \alpha \cdot C_{\max} + \beta \cdot \sum_{i \in N} \max(0, F_{in} - d_i) \cdot e_i$$

Hệ thống các ràng buộc kỹ thuật:

  1. Ràng buộc Makespan: $$F_{in} \le C_{\max}, \quad \forall i \in N$$

  2. Ràng buộc phân công máy duy nhất tại mỗi trạm: $$\sum_{m \in M(s)} X_{ims} = 1, \quad \forall i \in N, \forall s \in K$$

  3. Ràng buộc thời gian gia công tại trạm: $$F_{is} \ge B_{is} + \sum_{m \in M(s)} (X_{ims} \cdot p_{im}), \quad \forall i \in N, \forall s \in K$$

  4. Ràng buộc chuyển tiếp công đoạn liên tục (Precedence constraint between stations): $$F_{i, s} \le B_{i, s+1}, \quad \forall i \in N, \forall s \in {1, 2, \dots, k-1}$$

  5. Ràng buộc xung đột và thứ tự xử lý trên cùng một thiết bị: $$Y_{ijm} + Y_{jim} \le X_{im}, \quad \forall i, j \in N, i \ne j, \forall m \in M$$ $$Y_{ijm} + Y_{jim} \le X_{jm}, \quad \forall i, j \in N, i \ne j, \forall m \in M$$ $$Y_{ijm} + Y_{jim} \ge X_{im} + X_{jm} - 1, \quad \forall i, j \in N, i < j, \forall m \in M$$

  6. Ràng buộc không chồng chéo thời gian giữa các công việc trên cùng máy (Disjunctive Timing): $$F_{is} - \text{BigM} \cdot (1 - Y_{ijm}) \le B_{js}, \quad \forall i, j \in N, i \ne j, \forall m \in M(s), \forall s \in K$$

  7. Ràng buộc tuyến tính hóa trễ hạn: $$F_{in} - d_i \le \text{BigM} \cdot e_i, \quad \forall i \in N$$ $$d_i - F_{in} \le \text{BigM} \cdot (1 - e_i), \quad \forall i \in N$$

// CPLEX OPL Model Snippet - Scheduling Optimization
int nbJobs = ...;
int nbStations = ...;
int nbMachines = ...;

range Jobs = 1..nbJobs;
range Stations = 1..nbStations;
range Machines = 1..nbMachines;

int p[Jobs][Machines] = ...;
int d[Jobs] = ...;
int M_station[Machines] = ...;
float alpha = 0.5;
float beta = 0.5;
int BigM = 100000;

dvar float+ B[Jobs][Stations];
dvar float+ F[Jobs][Stations];
dvar float+ Cmax;
dvar boolean X[Jobs][Machines][Stations];
dvar boolean Y[Jobs][Jobs][Machines];
dvar boolean e[Jobs];

minimize alpha * Cmax + beta * sum(i in Jobs) (F[i][nbStations] - d[i]) * e[i];

subject to {
  // Makespan definition
  forall(i in Jobs)
    F[i][nbStations] <= Cmax;

  // Single machine assignment per station
  forall(i in Jobs, s in Stations)
    sum(m in Machines: M_station[m] == s) X[i][m][s] == 1;

  // Processing duration
  forall(i in Jobs, s in Stations)
    F[i][s] >= B[i][s] + sum(m in Machines: M_station[m] == s) (X[i][m][s] * p[i][m]);

  // Precedence across stations
  forall(i in Jobs, s in 1..(nbStations-1))
    F[i][s] <= B[i][s+1];

  // Sequencing on identical machines
  forall(i, j in Jobs: i != j, m in Machines, s in Stations: M_station[m] == s) {
    F[i][s] - BigM * (1 - Y[i][j][m]) <= B[j][s];
    Y[i][j][m] + Y[j][i][m] <= X[i][m][s];
    Y[i][j][m] + Y[j][i][m] <= X[j][m][s];
    Y[i][j][m] + Y[j][i][m] >= X[i][m][s] + X[j][m][s] - 1;
  }
}

Cơ chế giải thuật Branch and Bound: Thuật toán B&B tính toán giá trị Cận dưới (Lower Bound - $LB$) tại mỗi nút trạng thái trên cây quyết định theo công thức Ignall & Schrage:

$$LB = \max_{1 \le k \le m} \left( q_k(\sigma) + \sum_{j \in f'(\sigma)} p_{kj} + \min_{j \in f'(\sigma)} \left( \sum_{i=k+1}^m p_{ij} \right) \right)$$

Trong đó:

  • $\sigma$: Trình tự các công việc đã được cố định tại nút hiện tại.
  • $q_k(\sigma)$: Thời điểm máy $k$ hoàn thành công việc cuối cùng thuộc chuỗi $\sigma$.
  • $f'(\sigma)$: Tập hợp các công việc chưa được sắp xếp.
  • Bất kỳ nhánh nào có $LB \ge \text{Upper Bound (UB)}$ sẽ bị cắt tỉa (Pruned) ngay lập tức, giúp thu hẹp đáng kể không gian tìm kiếm từ $\mathcal{O}(n!)$ xuống mức giải được trong thời gian ngắn.

Testing và validation

Hiệu năng của mô hình được kiểm định qua 2 tập thử nghiệm:

  1. Bộ dữ liệu kiểm chuẩn mẫu (5 Jobs - 2 Trạm - 5 Máy):

    • Đánh giá tính hội tụ và đúng đắn logic của các ràng buộc disjunctive.
    • Thời gian giải CPLEX: 0.12 giây.
    • Kết quả: Không phát sinh bất kỳ xung đột tài nguyên nào, các công việc 1 đến 5 được bố trí mượt mà qua 2 trạm mà không có thời gian chết lãng phí.

  2. Bộ dữ liệu sản xuất thực tế (10 Đơn hàng - 6 Công đoạn/7 Trạm máy - Phân xưởng Thermal/Flexo):

    • Áp dụng trực tiếp tập lệnh sản xuất có nguy cơ trễ hạn cao trong tháng 3/2021.
Chỉ số hiệu năng (KPI) Thực tế vận hành (Oracle Heuristic) Mô hình B&B trên CPLEX Mức độ cải thiện
Tổng Makespan ($C_{\max}$) 1,485 phút 1,120 phút Rút ngắn 24.58%
Số đơn hàng trễ hạn 3 / 10 đơn (30.0%) 0 / 10 đơn (0.0%) Triệt tiêu 100% đơn trễ
Tổng thời gian trễ ($\sum T_i$) 240 phút 0 phút Giảm 100%
Hiệu suất sử dụng máy trung bình 61.4% 82.7% Tăng 21.3 điểm %
Thời gian tính toán lịch trình 45 phút (Gồm MPS chỉnh tay) 1.84 giây (CPLEX Solver) Nhanh hơn 99.9%

Đổi mới và đóng góp

  1. Chuyển dịch từ Heuristic cục bộ sang Tối ưu hóa toàn cục: Thay thế hoàn toàn quy tắc định tuyến theo kinh nghiệm bằng giải thuật Branch and Bound có cơ sở toán học chặt chẽ, loại bỏ hoàn toàn các quyết định phân bổ chủ quan của nhân viên MPS.
  2. Mô hình hóa thành công cấu trúc Flexible Flow Shop 7 trạm máy: Xây dựng khung toán học hoàn chỉnh cho bài toán dòng công việc nhiều máy song song đặc thù của ngành nhãn in nhiệt/flexo, giải quyết triệt để bài toán thắt nút cổ chai (Bottleneck) tại các trạm in màu và bế tem.
  3. Cân bằng đa mục tiêu linh hoạt: Thiết lập hàm mục tiêu kết hợp có trọng số giữa giảm thời gian chu kỳ ($C_{\max}$) và đảm bảo hạn giao hàng ($d_i$), cho phép cấp quản lý nhà máy tùy chỉnh chiến lược sản xuất theo từng thời điểm (ưu tiên trả hàng nhanh hoặc tối đa hóa công suất thiết bị).
  4. Cải thiện vượt bậc các chỉ số vận hành: Giảm 24.58% tổng thời gian hoàn thành đơn hàng và đưa tỷ lệ trễ hạn từ 30% về 0% trên tập dữ liệu kiểm nghiệm.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy

Giải pháp được thiết kế để ứng dụng trực tiếp tại các bộ phận sản xuất in ấn, may mặc và bao bì:

  • Lập kế hoạch đầu ca: Đầu mỗi ca sản xuất (Ca sáng 06:00, Ca chiều 14:00), nhân viên MPS xuất danh sách lệnh sản xuất từ Oracle ERP, nạp vào công cụ CPLEX để xuất lịch Gantt Chart chuẩn xác cho từng máy trong vòng chưa đầy 2 phút.
  • Xử lý đơn hàng gấp (Fast-track Orders): Khi khách hàng VIP yêu cầu bổ sung đơn hàng gấp, người điều độ chỉ cần cập nhật Due date $d_i$ và tăng trọng số $\beta$. Hệ thống sẽ tự động tái phân bổ thứ tự tối ưu mà không làm xáo trộn toàn bộ dây chuyền.

Yêu cầu triển khai và Ước tính ROI

                        LỘ TRÌNH TRIỂN KHAI DỰ ÁN (ROADMAP)
  - Đo lại định mức p_im         - Viết script Python      - Chạy song song CPLEX        - Chuyển đổi 100%
  - Xóa dữ liệu lỗi thời         - Kết nối Oracle R12      - Đào tạo nhân viên MPS       - Đánh giá KPI tuần
  • Yêu cầu hạ tầng: 01 Workstation chuyên dụng cài đặt IBM ILOG CPLEX Optimization Studio (Bản quyền thương mại hoặc học thuật), Python 3.8+ kết nối thư viện docplex hoặc bảng tính Excel macro.
  • Hiệu quả tài chính (ROI):
    • Giảm chi phí phạt vi phạm thời hạn giao hàng (OTD Penalties) ước tính hàng chục nghìn USD mỗi năm.
    • Tiết kiệm 20% chi phí làm thêm giờ (Overtime) của thợ máy nhờ giảm thời gian chờ đợi giữa các công đoạn.
    • Thời gian thu hồi vốn đầu tư phần mềm ước tính: dưới 6 tháng.

Hạn chế và hướng phát triển

Dù đạt được kết quả vượt trội, đề tài vẫn tồn tại một số hạn chế kỹ thuật cần hoàn thiện:

  • Độ phức tạp tính toán khi mở rộng quy mô: Branch and Bound là giải thuật chính xác thuộc lớp bài toán NP-hard. Khi số lượng công việc vượt quá 100 ($n > 100$) trên 20+ máy, thời gian tìm nghiệm tối ưu tuyệt đối có thể tăng theo hàm mũ.
  • Giả định thời gian thiết lập máy: Chưa xét đến thời gian Setup phụ thuộc vào màu mực hoặc khuôn bế của đơn hàng liền trước (Sequence-Dependent Setup Time).
  • Cập nhật định mức thời gian: Cơ sở dữ liệu thời gian gia công cần được tự động đồng bộ hóa thời gian thực thông qua cảm biến IoT/MES thay vì dựa vào bảng đo mẫu định kỳ 6-12 tháng.

Hướng nghiên cứu phát triển tiếp theo:

  • Phát triển các giải thuật lai (Hybrid Metaheuristics) như Giải thuật Di truyền kết hợp B&B (Genetic Algorithm - B&B) hoặc Thuật toán Tìm kiếm Tabu cải tiến để giải quyết các bài toán quy mô hàng nghìn đơn hàng trong vài chục giây.
  • Tích hợp mô-đun Machine Learning để dự báo chính xác thời gian gia công $p_{im}$ thích ứng theo tình trạng hao mòn của khuôn in và máy móc.

Đối tượng hưởng lợi

  • Doanh nghiệp & Quản lý sản xuất: Sở hữu công cụ ra quyết định định lượng chuẩn xác, nâng cao tỷ lệ giao hàng đúng hạn (On-Time Delivery - OTD), giảm thiểu chi phí nhàn rỗi máy móc và tăng năng lực cạnh tranh.
  • Kỹ sư vận hành & Nhân viên MPS: Loại bỏ hoàn toàn áp lực phân bổ công việc thủ công, tinh gọn quy trình điều độ từ 45 phút xuống dưới 2 phút mỗi ca làm việc.
  • Thợ máy & Công nhân trực tiếp: Nhận được lịch trình sản xuất rõ ràng, giảm thiểu thời gian chờ chuyển đổi vật tư, ổn định nhịp độ vận hành.
  • Sinh viên & Nhà nghiên cứu ngành Kỹ thuật Hệ thống Công nghiệp / Quản lý Công nghiệp: Cung cấp tài liệu tham khảo thực chiến về cách mô hình hóa MILP và ứng dụng phần mềm thương mại CPLEX giải quyết bài toán Flexible Flow Shop trong bối cảnh sản xuất thực tế tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm tối thiểu để triển khai giải pháp là gì?

Hệ thống yêu cầu máy tính chạy Windows 10/11 hoặc Linux 64-bit, vi xử lý tối thiểu 4 nhân (khuyến nghị Intel Core i5/i7 thế hệ 10 trở lên), 8GB RAM (khuyến nghị 16GB RAM) và cài đặt IBM ILOG CPLEX Optimization Studio (từ phiên bản 12.8 trở lên). Dữ liệu có thể nạp trực tiếp qua Excel, tệp .dat của OPL hoặc qua API Python (docplex).

2. Khi số lượng đơn hàng tăng lên hàng trăm đơn trong ngày, thuật toán B&B có bị treo không?

Đối với bài toán NP-hard quy mô lớn ($n > 50$), thuật toán B&B thuần túy có thể mất nhiều thời gian để duyệt hết các nhánh. Giải pháp thực tế là thiết lập Tiêu chí dừng (Time Limit / Optimality Gap) trong CPLEX (ví dụ dừng sau 60 giây hoặc khi Gap $\le 2%$). Khi đó, CPLEX sẽ trả về nghiệm khả thi tốt nhất cận tối ưu, hoàn toàn đáp ứng được yêu cầu sản xuất thực tế.

3. Giải pháp này có thể tích hợp trực tiếp vào hệ thống Oracle ERP hiện tại không?

Hoàn toàn khả thi. CPLEX cung cấp các bộ API mạnh mẽ cho C++, Java, .NET và Python. Doanh nghiệp có thể xây dựng một microservice bằng Python để tự động đọc dữ liệu đơn hàng từ Oracle Database qua giao thức ODBC/REST API, gọi CPLEX Solver xử lý và đẩy ngược kết quả lịch trình vào bảng hiển thị MES.

4. Chi phí bảo trì và vận hành hệ thống tối ưu hóa này như thế nào?

Chi phí vận hành rất thấp vì mô hình toán học sau khi đóng gói sẽ chạy ổn định. Công tác bảo trì định kỳ chủ yếu bao gồm việc cập nhật lại bảng định mức thời gian gia công $p_{im}$ khi xưởng thay đổi công nghệ in hoặc mua sắm thêm máy móc mới.

5. Tại sao không tiếp tục sử dụng thuật toán Heuristic có sẵn trong Oracle?

Thuật toán Heuristic trong Oracle sử dụng các quy tắc cục bộ đơn giản (như sắp xếp theo hạn giao sớm nhất - EDD). Trong mô hình Flow Shop nhiều máy song song, Heuristic không thể tính toán được sự tương tác phức tạp giữa các trạm, dẫn đến tắc nghẽn ở trạm sau và tạo ra nhiều thời gian chết lãng phí, trực tiếp gây ra 30% tỷ lệ đơn hàng trễ như thực trạng đã ghi nhận.

Kết luận

Đề tài "Ứng dụng giải thuật Branch and Bound để hoàn thiện công tác điều độ sản xuất ở bộ phận Thermal/Flexo – Công ty TNHH Avery Dennison RIS VN" đã giải quyết triệt để bài toán phân bổ nguồn lực sản xuất phức tạp tại một trong những doanh nghiệp phụ liệu may mặc hàng đầu thế giới. Bằng việc kết hợp giữa lý thuyết Quy hoạch tuyến tính nguyên hỗn hợp (MILP) và sức mạnh tính toán của solver IBM ILOG CPLEX, nghiên cứu đã chứng minh tính ưu việt vượt trội so với các phương pháp heuristic truyền thống: rút ngắn 24.58% tổng thời gian hoàn thành và triệt tiêu 100% tình trạng trễ hạn đơn hàng.

Công trình nghiên cứu không chỉ mang lại giá trị kinh tế trực tiếp cho nhà máy Avery Dennison Long Hậu mà còn đóng vai trò như một cẩm nang ứng dụng thực tế cho các kỹ sư Quản lý Công nghiệp, khẳng định xu thế chuyển đổi số tất yếu từ kinh nghiệm cảm tính sang khoa học dữ liệu và tối ưu hóa toán học trong quản trị sản xuất hiện đại.