仿真与优化发展现状和未来展望.docx

仿真与优化发展现状和未来展望.docx

《仿真与优化发展现状和未来展望.docx》由会员分享，可在线阅读，更多相关《仿真与优化发展现状和未来展望.docx（7页珍藏版）》请在冰豆网上搜索。

仿真与优化发展现状和未来展望

仿真及优化发展现状和未来展望

摘要：

仿真优化技术是实现传统制造向可预测制造、科学制造转变的关键技术，目前已经引起科学界和企业界的广泛关注。

本文在阐述了仿真优化基本原理和方法的基础上，介绍了国外仿真优化技术在制造系统中各个层次的应用概况、研究成果及各种仿真优化系统采用的开发工具，并对国外发展状况进行了简要的对比分析，指出了目前仿真优化研究中存在的问题以及主要发展趋势。

关键词：

仿真，优化，仿真软件，仿真建模。

引言

20世纪90年代，为了解决产品在TQCSE方面存在的问题，出现了多种制造模式，如可重构制造和大规模定制等。

在这些先进制造模式指导下的制造系统规模庞大、结构复杂，制造系统从初期规划（资源配置、布局规划）到实际运行（供求关系管理、生产计划与调度）阶段都存在复杂的决策问题。

这些决策问题包含众多影响因素、因素之间关系错综复杂，传统数学优化方法已经无法解决这类问题，仿真优化技术则以其独特的优化方法和强大的建模能力引起科学界和企业界的广泛关注。

每年WinterSimulation会议都将仿真优化列为一个国际前沿课题来研讨，并介绍最新的理论研究成果及应用情况。

2000年，世界著名的两本仿真书籍《SimulationModelingandAnalysis》与《DiscreteEventSystemsSimulation》首次将仿真优化作为一个专题进行讨论，并指出仿真优化对仿真的推广应用具有重要的影响；自上世纪90年代中期开始，各种商业化仿真软件将优化作为一个重要模块纳入其中，目前已成为不可或缺的部分。

尽管仿真优化已经取得了长足的发展，有些仿真优化系统已经开始工业应用，但仿真优化领域仍然存在一些亟待解决的问题。

本文首先从仿真优化的原理、方法等方面对这一技术进行分析，然后综述国外研究现状，最后分析仿真优化存在的问题及发展趋势。

一、仿真优化原理

利用传统优化技术求解优化问题时，首先要建立问题的解析模型，然后利用某一方法进行优化，通常可以求得问题的最优解。

但由于实际问题的复杂性和随机性，很难建立起精确的解析模型。

仿真技术作为一种建模方法，能够将系统的相关要素按照实际的运行逻辑有机地结合起来，真实反映出系统的行为，因此可以利用仿真模型代替解析模型研究系统的行为特性。

然而，仿真实质上是一种试验方法，通过枚举对备选方案进行逐一验证，搜索目标不明确，无法给出问题的最优或近优解，当试验方案较多时，该方法变得极其复杂，甚至无法实现。

因此，将仿真技术和优化方法相结合为解决实际问题提供了有效的优化手段。

仿真优化的基本原理是将仿真模型看作一个实值函数

其中X为可控因素，即决策参数，ω是不可控，因素为仿真模型的输出，它是一个向量函数。

根据仿真优化原理，仿真优化过程描述如下：

首先由优化算法产生初始解（决策参数），然后将其输入仿真模型中，仿真运行结束输出响应值（性能指标），通过数据转换接口将其反馈到优化算法中，作为优化算法确定新一轮搜索方向的依据，并将搜索结果重新输入仿真模型。

上述过程反复进行，直至满足预先设定的终止条件。

常见的仿真优化过程模型。

二、仿真优化方法

目前常用的仿真优化方法包括如下几类：

基于梯度的方法、随机优化方法、响应曲面法、统计方法和启发式方法等，其中每类都包括多种方法。

很多文献重点阐述了各种方法的原理和性质，而对仿真优化系统的开发及其应用情况涉及很少，没有从系统的角度研究仿真优化的进展情况。

在各类方法中，非启发式方法一般需要大量的理论假设，计算复杂、稳健性差，算法性能随求解问题规模的增大迅速下降，在实际中很少采用。

启发式方法则可以避免上述弊端，除此之外，它还可以实现全局优化，并且能够解决离散、定性决策变量问题。

三、仿真优化研究现状

近几年，许多国家和大学的研究机构都开展了仿真优化的研究，特别是从90年代中后期，随着智能优化算法和仿真建模技术的充分发展和应用，仿真优化已从单纯的理论研究走向了实际应用，渗透到各个领域。

3.1国外仿真优化的研究状况

1998年，美国密西西比州立大学的Bowden等人首次指出，仿真优化研究人员缺乏从系统的角度对仿真优化进行研究，有必要将仿真优化的各种单点技术集成到一个统一的技术框架下，为此，他们提出了“六域”集成的仿真优化框架。

“六域”涵盖了仿真优化的六个研究畴，即问题域、算法域、分类域、策略域、智能域和界面域。

问题域辅助用户构造目标函数和约束条件；算法域涉及优化算法库的建立及各种算法的描述；分类域依据求解问题规模和决策变量性质等对给定问题进行分类；策略域实现对某类问题选择适当优化算法，并在有限的计算资源基础上提高仿真优化效率；智能域根据所研究的领域问题知识选择适当的优化策略和方法；界面域研究优化器与用户及仿真模型的接口问题。

“六域”构成了一个完整而有联系的理论框架，为仿真优化的集成问题指明了方向。

基于“六域”集成思想，他们开发了一个仿真优化系统，并以一个“拉式”生产系统为例，重点研究各种仿真优化方法策略。

该系统包括33个决策参数，以看板数量作为评价指标，优化算法分别采用进化策略（ES）、Hooke-Jeeves（HJ）模式搜索法及ES和HJ相结合的两阶段搜索策略。

实验发现，HJ收敛速度最快，但解的质量较ES差，ES+HJ方法的运行时间和解的质量均处于HJ和ES之间，能够在可接受的时间获得较优解。

该项研究结果表明，有效的搜索策略能够提高优化效率、改善解的质量。

美国堪萨斯州立大学Azadivar一直致力于仿真优化理论及应用研究，他和Tompkins于1999年针对具有离散、定性决策变量和模型结构变化的问题提出了一种GA和仿真模型自动生成器相结合的仿真优化方法。

该方法具有一定的代表性，一般来说，在仿真优化系统中，仿真模型始终保持不变，只需改变输入参数即可，并且输入参数都是定量的，而他们解决的是一个制造系统初期规划问题，即确定购买设备的数量、车间布局形式和采用的工艺路线以及调度规则等，优化算法在每次迭代中产生的解是一组全新的系统配置方案，前一代解对应的仿真模型可能与当前配置方案不一致，因此需要重新构建仿真模型。

他们采用了MODSIMⅡ对制造系统进行建模，利用面向对象技术中的封装和延迟绑定技术实现仿真模型的自动创建功能。

为了保证优化算法和仿真模型之间的有机集成，基于GA的优化器也在MODSIMⅡ中实现。

为了实现对各种参数并行优化，GA采用三段编码方式，依次表示工件的工艺路线、设备类型和车间布局方案。

该方法的优点是可以解决离散与定性输入参数问题，并且适合对相似类型的制造系统进行布局规划，同时也存在一定的缺点，优化算法在寻优过程中不可避免会产生重复设计方案，针对每组方案需要重新创建模型并运行仿真，需要耗费大量的计算资源，影响运行效率，因此，该方法缺乏去掉重复方案的有效手段。

2000年，法国Cergy大学的Fontanili等人研究了装配线运行管理问题。

他们归纳总结了装配线在运行过程中可能存在的决策点，如订单释放优先级、投产批量、工件释放间隔时间和缓冲区容量等，这些决策点之间相互关联、相互影响，是一个典型的组合优化问题。

为解决这一问题，他们采用GA和商业化仿真软件WITNESS开发了一个仿真优化系统，在该系统中利用开发工具Delphi编制优化算法程序，并通过MicrosoftOLE自动化技术实现和仿真模型集成。

中GA采用整数编码，染色体的每个基因代表相邻工件的投产时间间隔。

Fontanili利用该系统对单一产品与混合产品的装配流程进行了研究，以生产周期作为性能评价指标，实验数据表明，通过仿真优化技术，极改善了装配线的运行效果。

但是，在列举的众多决策点中，该系统只考虑了如何优化工件的投产时间间隔，而没有涵盖对其它运行参数的优化。

日本JGC公司在意识到仿真优化的重要性后，联合美国西北大学共同研制开发了一个用于解决制造企业设施规划的仿真优化软件。

该软件以JGC公司实际工程应用需求出发，注重优化策略和仿真结果的统计分析问题。

他们采用AweSim作为仿真建模工具，优化模块使用麻省理工大学的Wall开发的遗传算法库（GALib-a），通过C++语言实现二者的集成及编写统计分析程序，利用VisualBasic开发统一用户界面。

该系统将仿真优化过程分为三个阶段，首先是基本参数的设置，用户可以通过图形化的界面定义决策变量、目标函数、约束条件以及根据经验知识为系统提供效果相对较好的初始设计方案，除此之外，还可以定义与统计分析相关的参数；其次是备选方案的生成，优化器根据初始条件产生可行解，并根据问题规模的大小及系统运行时间的约束，自动决定是否搜索整个解空间，在该过程中系统数据库存储了所有设计方案及其响应值，评估每个方案之前，先在数据库中检索该方案是否存在，以决定是否对其进行仿真评估，避免浪费计算资源；再次是仿真输出的统计分析，针对随机仿真问题，每个方案需多次运行仿真才能确定最终响应值，该步骤利用改进的统计分析方法来提高分析精度及减少仿真迭代次数。

该系统显著提高了仿真优化效率与可操作性，各模块相互统一，同时又保持了一定的独立性，初步具备了Bowden等提出的仿真优化的“六域”集成思想。

2004年，比利时Facultes大学Allaoui等人利用仿真优化技术研究了具有维修时间约束的混合流水车间调度问题。

他们指出，调度问题的复杂性来源于求解算法自身复杂性和生产系统结构、功能复杂性，其根本原因是传统的调度方法不适合解决大规模问题，无法描述生产系统的动态随机性。

因此，他们兼顾启发式调度规则、智能优化算法SA和模型仿真的优点，建立了一个求解调度问题的仿真优化系统。

该系统以Delphi为开发环境编写调度规则和SA程序，采用仿真器RAO（Resource-Actions-Operations）构建仿真模型，并考虑了多种随机因素，如设备故障时间、设备维修时间、生产准备时间、工件运送时间等。

为了改善初始解的质量，采用启发式调度规则（SPT、LPT或EDD）为SA产生一个初始解，然后通过SA和仿真模型的迭代优化确定最终解。

Allaoui以最大流通时间、平均流通时间、最大延迟时间、平均延迟时间和延迟工件数量为评价指标，研究了不同维修时间比例下仿真优化调度的效果，并将其与NEH方法（被认为目前解决混合流水车间调度问题最好的启发式方法）进行了比较分析。

实验数据表明，在各项性能指标上，仿真优化调度方法的调度结果均优于NEH方法。

由此可见，仿真优化方法的优化能力和模型表达能力是任何调度方法无法比拟的。

Lacomme等曾经指出仿真优化方法是解决调度问题的最有效方法，它对调度问题的研究具有巨大的推动作用。

但是，该系统没有解决随机仿真需要大量迭代次数问题，势必影响系统运行效率。

2005年，在美国诺斯罗普.格鲁门舰船系统部（NGSS）的支持下，密西西比州立大学的Greenwood等人开始了一项仿真优化项目的研究，研究对象是NGSS的两个钣金加工车间，研究目标是建立仿真优化决策支持系统（DSS），用以减少仿真建模与系统分析的复杂性。

DSS是涵盖三个关键模块即DSS控制器、仿真优化模型（包括仿真模型和优化器）和图形化用户界面的集成系统。

其中，DSS控制器主要用于处理用户、仿真模型、优化器之间进行的数据交换及逻辑推理过程。

仿真建模涉及两个车间，其中帕斯卡古拉的钣金车间仿真模型由密西西比州立大学工业工程中心采用ProModel构建的，新奥尔良的钣金车间仿真模型由新奥尔良大学仿真设计中采用QUEST开发的，他们通过ActiveX技术，将仿真模型集成到DSS中。

优化器的核心算法是ES，它可以根据车间当前状态及不同性能评价指标自动选取性能较好的调度规则。

图形化用户界面负责用户与仿真模型及优化算法的交互，同时也为维护各种生产数据和运行参数提供一个编辑环