企业管理论文哪里有？本文结合行业类型与其对应学习率水平[104]，从提升产能的角度，管理者在进行生产线人员配备时，需要充分考虑生产线特性与员工的学习率，对此提出以下几点建议：（1）对于高水平的生产线员工，由于其学习能力强，速度增加潜力大，能够带来产能短期内的大幅增加，但BB线中因交接次数频繁造成堵塞，会造成产能陡然下降的情况，此外，这类员工短期内遗忘速度快，因此，应对等效率的高水平员采用Tr或CBB生产线配置，如此其能够更快地适应生产线加工任务，从而带来更大程度的产能增加，这类员工建议安排在复杂机器、样机组装以及行政类工作岗位。
第 1 章 绪论
1.3 国内外研究综述
1.3.1 学习-遗忘曲线文献综述
1.3.1.1 学习曲线
学习曲线是对员工在重复性任务中的操作表现的数学描述。Wright（1936）通过观察飞机的装配成本如何随着重复操作而降低，提出基于经验发展的学习[5]；之后 Preston 和 Keachie（1964）的研究也进一步证实了学习经验的存在[6]；Baloff和 Nicholas（1971）将学习曲线扩展到汽车装配、服装制造和大型乐器的生产三个劳动密集型制造业进行研究，发现学习曲线模型在劳动密集型产业中具有更广泛的适用性，为评价参数预测的经验方法提供了更多的数据，并证明了对稳态平台的发生和可预测性进行概括的难度[7]；Yelle（1979）认为学习现象体现在随着生产产品的数量增加，单位产品的加工时间以相同速度减少，并将 Wright 提出的模型正式命名为“学习曲线”[8]。Wright 的发现引发了大量关于学习曲线在生产中的应用及其理论基础的研究。学习曲线最初用于预测航空航天等制造业的费用成本，后来在其他多种场合也得到了广泛使用，比如机器加工、大批量装配作业等，甚至在企业层面也得到了应用，直到现在学习曲线依然在许多领域有着广泛的研究。
国外学者 Nembhard 和 Uzumeri（2000）基于不同的学习曲线模型对组织内的个体学习进行研究，结果表明，员工的工作效率处于快速提高稳定到低水平和缓慢提高稳定到高水平这两个极端之间，此外，经验越多的员工往往具有更高的稳态生产率水平，但会比有较低工作经验的员工更慢达到稳态水平[9]；Sáenz 和 Salas（2013）通过建立混合学习曲线函数，探讨了学习和动态生产率之间的关系，证实生产率在早期增加的速度越来越快，当到达临界值后增加的速度越来越慢，并在汽车组装生产线上得到了很好的应用[10]；Anzanello 等（2014）依赖大规模定制产品种类多、批量小的工业环境特点，将学习曲线、计划启发法和人机工程学因素结合起来，对工人进行分批排序，减少了总加权延迟和与相同团队具有相似复杂性批次的分配，同时对不同的学习曲线模型进行了概述，并提出了一个针对大规模定制和多元学习曲线模型相关应用的研究议程[11]。
第 3 章 工作分享生产系统仿真平台的建立
3.1 生产系统建模方法与分类
3.1.1 系统仿真建模方法
生产系统是一个复杂的离散系统，而工作分享生产系统要求人员、设备、规则之间自组织和自适应，以往主要是基于概率论，通过数学公式和参数自上而下关联的逻辑建模方式，系统的微观动态自治和分布式问题已难以描述，而 Agent建模技术更适合于抽象和识别系统与内部个体之间的逻辑关系，不仅建模方便，而且易于理解，能够反映离散系统多变的动态特征。
迄今为止，学术界已经对 Agent 进行了大量研究，但目前尚未有一个统一的定义，在众多定义中具有代表性的主要有：Maes（1995）认为移动 Agent 是一个可计算的系统，能够通过感知所处的复杂动态环境而自发动作，从而完成系统设定的任务目标[79]；Wooldridge 和 Jennings（1995）认为 Agent 是一个灵活的和具有自动反应性能力的计算机系统，能够在特定环境中完成设计目标，并且具有可靠性、前瞻性和社会性[80]。虽然 Agent 的相关定义尚未得到统一，但 Agent 技术和多 Agent 系统作为人工智能领域中一个新兴的且发展较快、较活跃的方面，该理论和技术目前已得到快速发展和应用。Agent 技术是通过识别外部环境和系统中其他 Agent 的交互，独立地采取措施解决问题，从而达到某些系统设定的目标。多 Agent 系统为建立有关复杂系统的模型提供了一个自然的模板，通过系统之间的交互实现对复杂问题的求解，是一种分析、设计和实现复杂系统建模的新型方法。
国外学者 Smaminathan（1996）等将多 Agent 技术与其他建模方法进行比较发现，多 Agent 技术不仅可以提高效率，而且有助于降低成本[81]；Allwood（2005）提出了一种能按照既定的方式处理客户订单，并能在供应链中主动选择具有竞争关系的供应商的新型 Agent 结构[82]；Raul（2010）考虑了加入人工智能技术的供应链管理，并采用多 Agent 建模及仿真方法证明了其优势[83]；Escap（2011）针对复杂运输系统，提出一种自下而上的逻辑分析行为模式[84]；Javad 等（2015）运用 Agent 建模技术建立了服务型供应链模型，从人员规模、服务效率及需求背景等方面分析了其设计理论和实践方法[85]。
第 5 章 学习-遗忘效应下的工作分享生产系统仿真
5.1 学习-遗忘效应的工作分享生产系统的仿真模型构建
5.1.1 学习-遗忘曲线模型的选择
学习曲线最早由 Wright 于 1936 年提出，它揭示了每件产品的生产时间随着生产进程的不断推进而不断缩短的现象。学习曲线广泛应用于在工业生产中，特别是在劳动密集型产业。随着学习曲线的广泛应用，与学习效应相对应的遗忘现象也逐渐引起了人们的注意，即在停产时期，员工的生产率会有一定程度的降低。针对这一现象，学者们利用回归等统计方法描述遗忘现象，提出了 VRVF 模型和VRIF 模型等描述这种现象的模型。Carlson 等（1976）基于经验数据，给出了遗忘曲线的指数表达形式。自此以后，学习曲线和遗忘曲线的应用进入了一个新的阶段[102]。
Jaber 等（1996）结合了学习曲线和遗忘曲线，建立了学习-遗忘曲线模型（learnforget curve model，LFCM），并将 LFCM 同 VRVF 模型和 VRIF 模型作了比较，利用 Globerson 等的实验数据，验证了 LFCM 的准确性和优越性[103]。
学习和遗忘既是相互冲突，又是相互并存的两个概念，当生产线上员工重复从事某个工序时，生产线产能会随着员工熟练程度的提高而增加，然而在现实生活中，生产不可能不间断地进行，员工也不可能持续工作。由于机器故障、订单缺乏、员工休息等因素的影响，生产事实上是一个不连续的过程。最普遍的情况是员工每周工作 5 天，休息 2 天。在这种情况下，生产过程被分成多个小周期，每个周期又分为生产时间和休息时间，因此，本章的目的是通过借鉴前人所研究出的连续型学习曲线模型和遗忘曲线模型，将其引入工作分享生产线模型，探究员工学习-遗忘对工作分享生产线产能的影响。
5.2 考虑学习-遗忘效应的工作分享生产线的产能计算
5.2.1 模型假设
将考虑学习-遗忘效应的 Tr 线、BB 线、CBB 线和 CO 线在生产周期内的产能进行对比分析，对模型做如下假设：（1）总周期时间已知，即 20 周；（2）工件在各工站的加工时间服从正态分布，且各自的均值和标准差确定；（3）各个员工的学习率是已知的，且在各个工艺工序上保持不变；（4）工作时间和中断时间确定，即连续工作 5 天，休息 2 天；（5）各周期遗忘参数可由前一周期停产时的经验和中断时间确定；（6）若员工生产中断时间达 365 天则发生完全遗忘；（7）各工站加工时间波动、行走速度等都不影响各工站工件加工状态。由于主要研究内容是学习-遗忘对工作分享生产系统的产能影响，故工件在工站上加工时间仅受学习-遗忘效应的影响，不受其他因素影响。
5.1.1 仿真模型假设以西门子公司的 Plant simulation®为仿真平台，采用 Sim Talk 语言进行编程，分别建立仿真模型，仿真模型中具体模型参数如下所示：
（1）两条生产线的仿真模型中均设置从 M1 到 M10 共 10 个工站，为了符合生产实际，以 10 个数据为一组利用软件生成 30 组随机数据，将各组数据分别分布在 10 个工站上进行仿真验证，总加工时间约为 250min，即无经验的员工生产第 1 个产品所需的时间约为1Tˆ=250min≈0.18 天下面以其中一组数据为例进行算例验证；
（2) 为了便于仿真，假设所有员工的初始技能和学习能力（学习率）相同；（3）员工按照 W1，W2，W3 的顺序逐一进入生产线，即 W1 先进入，W2再进入，W3 最后进入；
（4）分别研究员工学习率为 75%、85%、95%和 80%的遗忘现象；
（5）仿真模型中，为了符合生产实际情况，若员工正在工站加工工件，则不能进行交接，需要等待加工完成才可交接，即为交接等待规则；
（6）假设工作分享生产线上员工从周一到周五工作，周六、周日休息，即itt =5 天；
（7）若休息时间达到 1 年，将会完全遗忘经验，即Bt =365；
（8）考虑总生产时间为 20 周，足够长的工作时间才可获得与模型合理匹配的数据。
第 6 章 研究结果与启示
6.1 研究结果讨论
6.1.1 学习效应下工作分享生产线研究结论
在研究中发现，考虑学习效应时四条工作分享生产线的产能不受加工时间分布的影响，说明四条生产线均对加工时间变化展现出较强的适应性，并且Tr线和CO线的产能最高，CBB线的产能次之，BB线产能最低。
考虑学习效应的Tr线仿真模型，在三种学习率水平下，其产能变化具有较强的稳定性，总体呈增长趋势。在更低的学习率下，产能增长趋势快速且稳定，在更高的学习率下，产能增长趋势缓慢。综上，高水平员工能够带来稳定且更大幅度地产能增加，即从提升产能角度，则应在生产线配置更低学习率的员工。考虑学习效应的BB线仿真模型，在三种学习率水平下，其产能波动大，但总体仍呈上升趋势。在更低的学习率下，产能波动强烈且具有较强的增长趋势，在更高的学习率下，产能则更加稳定增长且增长趋势缓慢。因此为了能够更快实现稳定且较大幅度地产能增加，则倾向于在生产线配置中等学习率水平的员工。
考虑学习效应的CO线仿真模型，由于生产线员工等效率，因此CO线产能变化与Tr线产能变化较为相似，在三种学习率水平下，其产能变化具有较强的稳定性，总体呈增长趋势。在更低的学习率下，产能增长趋势则更快速，在更高的学习率下，产能增长趋势更缓慢。综上，高水平员工能够带来稳定且更大幅度地产能增加，即从提升产能角度，则应在生产线配置低学习率的员工。
考虑学习效应的CBB线仿真模型，在三种学习率水平下，其产能变化大，总体呈上升趋势。在更低的学习率下，产能具有较强的增长趋势且增长趋势略有波动，在更高的学习率下，产能增长趋势较为缓慢则且保持稳定增长。因此为了能够更快实现稳定且较大幅度地产能增加，与BB线一样则倾向于在生产线配置中等学习率水平的员工。
参考文献（略）
