在技能受限的生产库存系统中，未来可用的合格人力资源依赖于今天的培训决策：生产需要认证工人，认证会随着时间推移而衰减，培训则消耗了当前生产所需的稀缺工时。我们研究了一种闭环的技能约束模型预测控制器，该控制器在每个班次中解决一个有限时域的混合整数规划问题，涉及生产、库存、积压和培训，具有二进制预测认证、硬性生产资格和可解释的终端价值，后者在时域边界为认证能力缺口定价；仅执行第一期的操作，然后重新规划。
在合成的、种子控制的SkillChain-Gym场景中——包括宣布和突发的新技能冲击、需求冲击、缺勤、预测和可用性质量模式、容量边界和培训速率的变化，以及负控制——我们评估了该控制器与仅生产和仅维护的消融实验、静态交叉培训保险计划和强反应启发式的表现，所有对比均在事前锁定配置和配对统计下进行。结果显示，政策的效果依赖于具体环境，而非绝对优越性：没有任何政策类别占绝对优势。预测控制在技能或劳动力瓶颈能够提前预测的情况下表现良好，允许培训完成；然而，在突发冲击、接近需求-产能边界的情况下，以及在预冲击闲置资源使保险成本低廉的情况下，保持精益的静态保险仍然较难超越。
通过归因消融分析，我们区分了认证维护、失效认证的再获得和新技能的获取。可预测性而非适应性本身决定了预测控制的效用何时显现。
博主点评： 该研究深入探讨了技能约束与生产效率之间的复杂关系，强调了在动态环境中，合理的培训与认证策略对制造供应链韧性的重要性。通过模型预测控制的应用，可以在不确定性中优化资源配置，然而对突发事件的应对仍需进一步的研究与实践验证。