網絡化生產是當今世界生產組織方式的發展方向，但網絡化生產方式給作業計劃帶來了極大的挑戰。傳統的作業計劃是假定已知全部所需信息、生產條件穩定的靜態調度（staticscheduling），難以適應動態生產環境的變化。在網絡化環境下，製造係統的外部條件更加多變（如急單插入、供貨延遲、交貨期提前等），信息的模糊性、不充分性問題更為突出（如原材料質量狀況、設計完善程度等）。同時，製造係統內部也往往存在各種不確定因素和不確定信息（如機床調整時間，工件裝夾時間）。由此，作業計劃也必須進行實時動態調整，形成動態作業計劃，才能符合生產實際。華中科技大學的郜慶路等［79］研究了混流車間動態調度問題。目前，主要有以下幾種方法解決動態作業計劃問題。
（一）仿真方法
仿真方法是動態調度研究中最常用的方法。該方法通過對實際生產環境的建模來模擬實際生產環境，從而避開了對調度問題進行理論分析的困難。目前，仿真方法在動態調度研究中主要有以下兩方麵內容：①研究各種仿真參數對仿真結果的影響，以便在進行仿真實驗時能做出恰當選擇，從而使仿真所取得的結論更全麵、更具說服力。Ramash［81］總結了大量的相關文獻，對仿真時應考慮的參數及各參數的取值範圍做了詳細介紹。②將某些方法應用於某個仿真環境，通過仿真評價現有方法之間或新方法與現有方法之間的優劣，從而總結出各方法的適用範圍，或根據結論數據建立知識庫或產生神經網絡的訓練樣本。Liu等［82］做了大量仿真實驗，從仿真數據中產生出訓練樣本用於訓練神經網絡，並將訓練後的神經網絡用於動態調度。
由於仿真方法在模擬實際環境時做了某些假設和近似，而且仿真模型的建立較多地依賴於諸如隨機分布等參數的選擇，因而仿真結論往往因模型的不同而不同，很難取得一個一致的結論。然而，對多數生產調度問題而言，在缺乏有效的理論分析的情況下，仿真仍不失為一種受歡迎的方法。
（二）專家係統
專家係統在動態調度研究中占有重要地位，目前已有一些較成熟的調度專家係統，例如ISIS和OPIS等。調度專家係統通常將領域知識和現場的各種約束表示成知識庫，然後按照現場實際情況從知識庫中產生作業計劃方案，並能對意外情況采取相應的對策。有效的領域模型和知識表示對於動態調度專家係統的設計十分重要。此外，約束在調度知識庫中也占據重要地位，因為調度的好壞在很大程度上依賴於其對約束的滿足程度。動態調度的決策參數具有很強的不確定性，為了有效地表示這種不確定性，許多學者選擇了概率論，而應用模糊集理論則是一種更為有效的方法。在調度問題中應用模糊方法的優點在於，可為不確定約束的表示和應用提供豐富的表述語言和係統的框架，並且能對模糊目標進行評價［82］。
（三）神經網絡方法
神經網絡應用於調度問題已有10多年的曆史，它在動態調度研究中的應用主要集中在以下兩方麵：①將調度問題看成一類組合優化問題，利用其並行處理能力來降低計算的複雜性；②利用其學習和適應能力將它用於調度知識的獲取，以構造調度決策模型。在動態調度研究中應用最多的是BP網，通過對它的訓練來構造調度決策模型。Sim等［83］提出一種專家神經網絡方法，該方法用16個神經網絡分別從相應的訓練樣本集中獲取調度知識，用專家係統確定各子網的輸入。由於神經網絡的訓練由16個子網分擔，並且各子網可以並行訓練，從而減少了訓練時間。Chu等［84］提出一種基於神經網絡和仿真的魯棒自適應調度器，該方法根據他人研究的結論確定神經網絡的結構和訓練樣本。盡管該網絡結構具有較強的通用性，但由於每個人研究的背景不盡相同，因此通過量化他人結論來產生訓練樣本必然會對網絡性能造成影響。Jones等［86］提出一種解決實時排序和調度問題混合方法的框架，綜合運用了神經網絡、遺傳算法和實時仿真等方法，但隻是提供了一個框架，真正實施起來還需進一步研究。Liu等［82］提出一種用神經網絡選擇調度規則的方法，神經網絡的輸入對應於所有待調度工件的加工路線和加工時間信息，輸出對應於待選的調度規則。但該方法需要大量的訓練樣本和很長的訓練時間才能保證調度的效果；另外，隨著問題規模的增大，網絡的規模也將急劇增大。