生産スケジューリングは「予測」ではなく「最適化」の問題
生産スケジューリングは、受注、設備能力、段取り、資材、人員の制約の下で、どの品目をいつ・どの設備で作るかを決める業務です。需要予測や外観検査が「当てる」問題なのに対し、スケジューリングは「制約を守りながら、納期遅れや段取り時間を最小にする組み合わせを探す」問題です。
このため、一般にAIと呼ばれる機械学習より、数理最適化が中心的な技術になります。機械学習（特に強化学習）が使われるのは、問題が大きすぎる、または変化が速すぎて最適化が間に合わない場面です。予測と最適化の違いは予測AIと数理最適化の違いでも整理しています。
4つの手法の違い
| 手法 | 仕組み | 長所 | 短所 |
|---|---|---|---|
| ルールベースAPS（ディスパッチングルール） | 納期順・最短処理時間順などの優先ルールで順に割り付ける | 速い、分かりやすい、多くの市販APSが採用 | 最適からは遠いことがある |
| 数理最適化（MIP・制約プログラミング） | 制約と目的関数を式で書き、ソルバーで最適解を探す | 解の質が高く、最適性の目安が分かる | 規模が大きいと計算時間が伸びる |
| メタヒューリスティクス（GA・焼きなまし） | 解を少しずつ変えながら良い解を探す | 大規模でも実用解が出る、柔軟 | 解の質の保証がない、調整が要る |
| 深層強化学習（DRL）＋GNN | 割付の方策を学習し、新しい問題に適用する | 学習後は高速、大規模・動的な問題に強い可能性 | 学習コスト大、説明が難しい、実務事例は少ない |
制約プログラミングのOSSライブラリPyJobShopを使った比較（VU Amsterdamの研究者、arXiv 2502.13483）では、9,000以上のインスタンスで、ジョブショップ問題におけるOR-Tools CP-SATの平均最適性ギャップが3.40%、IBM ILOG CP Optimizerが4.09%でした。無償のOSSソルバーでも、商用ソルバーと同等の水準で実用解が出せることを示す結果です。
強化学習については、GNNを使ったジョブショップ研究のサーベイ（Smitら、arXiv 2406.14096、2024年6月）が、静的な問題では学習済み方策の最適性ギャップが約6〜20%で、トップのヒューリスティクスにまだ及ばないと整理しています。
選び方の3基準
- 規模：ジョブ数・工程数・設備数で決まる問題の大きさが、計画に許される計算時間（夜間バッチなら数時間、日中の再計画なら数分）の中で最適化ソルバーで解けるか。解けるなら最適化を選びます。目安はOR-Tools CP-SATで解ける規模と解けない規模の境目で扱います
- 変更頻度：設備構成や優先ルールが頻繁に変わるか。頻繁なら、モデルの書き換えが容易な最適化かルールベースが有利で、学習のやり直しが必要な強化学習は不利になる場合もあります
- リアルタイム性：突発停止や特急オーダーに秒〜分単位で再計画する必要があるか。必要で、かつ問題が大きいときに、強化学習の高速な推論が意味を持ちます
実務では、まず最適化で解ける規模かを確認し、解けなければ問題を分割（工程別、期間別）してから最適化を試すのが順序です。強化学習はこの両方が使えない場面の選択肢です。詳しくは強化学習による生産スケジューリングを参照してください。
手法より先にマスタと実績を整える
どの手法を選んでも、入力データが不正確なら計画は現場で使われません。品目マスタ、ルーティング（工程順序）、標準時間、段取りマトリクス（品目の切替ごとの段取り時間）、設備カレンダー、受注・内示、在庫、そしてMESの実績が必要です。特に、標準時間と実際の工程時間の乖離は、計画の誤差に直結します。MESの実績から標準時間を補正する仕組みがない工場では、最適化の精度を上げても計画は守られません。
公開事例では、日立が日立ハイテクの半導体製造装置の生産計画を制約プログラミングで自動立案し、月最長5日かかっていた立案が月1日以内になったと発表しています（日立製作所、2023年5月）。
よくある質問
市販のAPSと最適化ソルバーの違いは何ですか？
多くの市販APSはディスパッチングルールやヒューリスティクスで高速に計画を作り、画面や運用機能が充実しています。最適化ソルバーは解の質で優れますが、問題の定式化と画面・運用は自分で作る必要があります。最適化エンジンを内蔵したAPSもあります。
生成AIは生産計画に使えますか？
計画そのものを生成AIに作らせるのは、制約を厳密に守る保証がないため向きません。最適化の結果の説明、計画変更の影響の要約、制約の聞き取り支援などの補助的な使い方が現実的です。
中小製造業でも数理最適化は使えますか？
OR-Toolsなどの無償ソルバーがあるため、費用面の障壁は小さくなっています。障壁はむしろ、マスタの整備と定式化の人材です。
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
