走在汽車革命的路上論文書籍站
國立臺北科技大學 工業工程與管理系 鄭辰仰所指導 林良韋的 以指針網路結合強化學習求解具隱性偏好之車輛途程問題 （2021），提出Model Y 訂單關鍵因素是什麼，來自於車輛途程問題、指針網路、強化學習、隱性偏好。
而第二篇論文東海大學 工業工程與經營資訊學系 張炳騰所指導 陳信維的 批量分割與多目標平行機台彈性零工式生產排程之探討 （2021），提出因為有 多目標、彈性零工式、批量分割、非等效平行機台、基因演算法的重點而找出了 Model Y 訂單的解答。
以指針網路結合強化學習求解具隱性偏好之車輛途程問題
為了解決Model Y 訂單 的問題，作者林良韋 這樣論述：
車輛途程問題(Vehicle Routing Problem, VRP)旨在車輛及時間的限制下最小化路 線的總距離，過去已有許多學者基於此問題之限制式求得理論上的最佳解，但實務上經常涉及多個要因，其中最需考量路線規劃者和物流司機的隱性偏好，經常須依自身經驗制定後續路線該如何行走，因此基於理論的最佳解無法保證能完全地滿足物流司機所需的路線規劃。本研究擬發展一指針網路為基之強化模型 (Pointer Network-Based with Reinforcement Learning, PNTRL)，結合VRP中的時間窗、車輛進出等限制條件，依此建構指針網路模型來紀錄過往物流司機行走路線之偏好特徵
，亦透過強化學習解決有新加入站點之路徑規劃問題。此模型最大優勢在於重新預測時不必重新訓練模型，可省去大量訓練時間，亦同時解決新加入站點及具過去經驗之站點問題，且針對不同的資料集皆能表現不錯的成果，並可確實解決物流業者訂單規劃時加入新站點的車輛途程問題。
批量分割與多目標平行機台彈性零工式生產排程之探討
為了解決Model Y 訂單 的問題，作者陳信維 這樣論述：
在現實製造環境中，通常都存在許多無法預期的突發狀況或變數，對於生產排程皆有重大的影響。排程涵蓋了許多資訊，需要同時考量才能達到想要的目標，排程規劃多半採用數學的運算或啟發式演算法，需要規劃出一套能結合現實生活中的限制與有限的資源的生產系統，讓在客戶要求的交期時間內生產出符合品質的產品。當今的製造生產從過去單一且大量的型態，改變為少量多樣的製造型態。由固定的生產數量轉變為接單式生產模式，零工式生產也就隨著需求型態不同製造生產型態的轉變而變得日益重要和重視。本研究以彈性零工式生產製造排程為基礎，納入非等效平行機器的考慮，允許批量分割作業，可同時讓作業在多部平行機器進行處理加工，進而減縮加工生產作
業完工時間。本研究為了考量更貼近於實際製造現場，讓生產製造現場機台能夠不間斷生產，研究中也將制定彈性訂單作業時間、途程以及非等效平行機台的加工效率，使同類加工時間的作業子批量能盡量接近。另外本研究也同時具備考慮排程績效多目標的指標，除了考量製造現場績效方面外，並將多目標因素納入因素考量中，建構程完整的多目標排程，以利用於實際生產製造多變且多樣化的需求競爭環境。依以上考慮，隨著規模範圍擴大的問題與複雜度程度的增加，本研究選擇以基因演算法為最佳化演算的基礎，建置能處理多目標因素的排程問題模組，期望能達到更貼近實際生產情況的排程。本研究將交期滿足與製距兩項指標，納入排程多目標考量。