本文研究了一个有限时段的多品项有容量限制的批量生产问题。需求量是确定的，但需求出现的时间是随机的。每笔需求在已知的时间窗口内只出现一次，且必须在截止期之前满足。模型在需求层面做生产和分配决策，能够刻画容量竞争、需求专属的积压以及分配对库存动态的影响。\ \ 该问题被形式化为离散时间马尔可夫决策过程（DTMDP），包括状态空间、可行动作、转移核以及单期成本函数。为单独考察随机时机的计算影响，先将每个需求的到达分布替换为最可能的到达期，构造对应的确定性实例进行比较。实验表明，随机时机显著增加状态数、转移数、求解时间和内存占用。\ \ 针对随机时机问题，本文提出了一种遗传算法（GA）。GA 在可行的状态反馈策略空间搜索，并在 DTMDP 转移模型下精确评估每条策略的期望成本。对 330 个基准实例的计算实验显示，当精确解可得时，GA 的平均最优性差距约为 $3.44\%$，在最困难的 90 条实例上，GA 的最优性差距始终低于 $5\%$，且在 $95\%$ 置信水平下实现了 $6.89 \pm 1.41$ 倍的平均加速。对于硬件上无法精确求解的实例，采用经验贝尔曼时间回归估计缺失的精确求解时间，并外推预期的 GA 加速比。\ \ 点评：本文通过 DTMDP 精准刻画了需求时机不确定性对批量生产的影响，并用遗传算法在保持高质量解的同时显著提升了求解效率，为实际生产计划提供了可行的近似方案。