本书面向不确定环境下离散制造企业的生产调度问题，系统阐述了不同类型鲁棒机器调度的概念、模型及其求解算法。书中用尽量通俗简洁的文字对大量概念给出了作者理解的定义，以方便读者快速了解相关领域。

王冰，女，上海大学机电工程与自动化学院自动化系教授、博士生导师。主要研究领域：鲁棒优化理论与方法；机器调度与优化算法；电力系统交易决策与优化；手术调度等。现任中国仿真学会智能仿真优化与调度专委会委员，“排序与调度丛书”编委。1989年获得中国科学技术大学工学学士学位，2001年获得山东大学理学硕士学位，2005年获得上海交通大学控制理论与控制工程专业工学博士学位。2008年至2009年受国家教委委派赴美国佛罗里达大学工业与系统工程系访问学者。主持或作为主要完成人参与本书内容相关的国家自然科学基金面上项目三项，分别为“Job-shop调度问题的滚动时域方法研究及性能分析(#60274013)”、“基于滚动机制的混合模式抗风险鲁棒调度方法研究(#60874076)”和“面向智能制造不确定机器调度基于场景的鲁棒优化新方法研究(#62173219)”。在IEEE Tran. Fuzzy System和Swarm and Evolutionary Computation等国内外学术期刊和会议上发表论文80余篇，其中SCI收录20余篇，EI收录70余篇。

前言 　　生产制造可分两类：流程制造和离散制造。离散制造业中的生产调度也称为机器调度。实际调度环境存在各种各样的不确定性，确定性调度是对实际调度的理想化，而不确定性调度才反映了实际调度的本质。应用鲁棒优化方法处理的不确定性机器调度为鲁棒机器调度，其可理解和刻画机器调度的不确定性，并在调度方案的生成和执行过程中对不确定性进行容纳和反应，使调度系统具有面对复杂不确定环境的适应性和鲁棒性。 　　鲁棒机器调度是实现智能制造的重要保证。智能制造是当前中国制造业转型升级、提质增效的必由之路，其重要特征之一是不确定性制造。不确定性是制造系统环境信息和自身信息的固有特征，智能制造的本质是利用大数据、人工智能等先进技术捕捉、认识和控制制造系统中的不确定性，以使制造系统适应不断变化的外部环境，并在更多方位达到更高的优化目标。 　　在传统规模制造的背景下，同类产品被大规模制造，大量生产活动是反复进行的，所以适合用概率分布对不确定参数建模，随机调度是传统主流的不确定调度方法。然而随机调度方法会导致决策者对发生概率高的情况给予重点关注，而忽视小概率事件发生的风险。在智能制造背景下，小批量个性化定制产品代替大批量规模生产的同质化产品，产品的独特性带来生产调度的独特性。对于具有独特性质的决策，没有大量反复发生的条件，难以获得此类不确定事件发生的概率信息。某些事件虽然发生的概率小，但一旦发生，造成的后果可能会很严重，这样的小概率事件在智能制造中是不应该被忽视的。传统不确定调度方法在智能制造背景下表现出局限性，而鲁棒优化方法可为不确定生产调度提供新的有效方法。不确定环境下鲁棒优化方法的研究是调度与优化...