2.5　人工智能方法

人工智能方法主要是利用模型和知识，通过模拟和推理等手段为人的决策行为提供支持，从而使人们可以根据混流装配线中的不同情况做出相应的更符合实际的决策。近年来，基于知识的智能优化系统的方法和研究取得了较大进展，其中最常见的就是专家系统。专家系统作为一种适用于混流装配线生产计划优化问题的优化方法也存在不容忽视的缺点：一是对混流装配线中新的优化环境的适应性差，这是由于生产环境的高度不确定，优化目标往往是变化的、动态的甚至是冲突的，使得专家系统适用于相对稳定的系统；二是开发周期长，费用高；三是专家系统是基于知识的系统，但人们对经验和知识的获取受到历史条件的限制。

在混流装配线智能化优化排序领域中，目前研究比较广泛和取得较大进展的人工智能方法是基于多智能体系统（Multi-Agent System，MAS）的优化方法。20世纪80年代就开始了这方面的研究，多智能体系统（MAS）技术是随着其研究的不断发展逐步向制造系统计划、优化和控制研究领域渗透的，20世纪90年代以后，有大批学者对多智能体系统进行深入研究，技术路线走向多样化。有学者研究了基于Agent技术的分布式约束启发式搜索规则，通过建立各问题领域中Agent上异步和并行地求解的机制与规则，在分布式制造系统的生产计划优化问题上得到验证有效性；有学者提出了一个多智能体系统框架，将装配系统中的各功能和实体都作为其中的Agent，并采用基于价格机制的市场模型实现Agent之间的协商，针对柔性制造系统的具体需求，设计了一种应用合同网协议的分布式优化策略；也有学者提出了一种柔性制造系统优化方法，将该方法设计的知识作为Agent技术的关键规则信息，通过规则定义实现Agent在分布式计算中的映射关系，构建了分布式计算机系统的任务分配问题的求解模式。

人工神经网络是一类模拟人脑组织结构和智能行为的工程系统，目前已出现数十种不同类型的神经网络，其中以Hopfield网络最有代表性。进化计算方法是一类模拟生物界中优胜劣汰的自然选择规则和强者越强的进化规则的随机搜索算法，其核心思想是对算法所产生的某种表达因式进行评价，经过多次迭代筛选，直至因式收敛于近似的最优解；在每次迭代过程中，适应性好的因式有更多的机会进入下一轮。进化算法的优点是不需要对问题建立数学模型，而且能够在较短的时间内搜索解空间中的不同区域，达到收敛。但进化算法在局部优化中收敛较慢，对解决方案的评估和筛选比较困难，收敛速度也无法保证。其中，以遗传算法和蚁群算法应用最为广泛，蚁群算法是从生物进化和仿生学角度研究蚂蚁寻找路径的自然行为。蚁群算法最初成功应用于求解TSP问题，该问题是组合优化领域的典型问题，通过证明其效果的优越性，此后，在其他NP完全问题方面也被证明是一种具有广阔发展前景的方法。

目前，人工智能技术及智能计算方法在混流装配线生产计划优化问题中的应用越来越受到人们的重视。随着问题复杂性的增加，进行多知识表达方法的研究，在此基础上和多人工智能技术的结合，形成组合人工智能技术，是今后人工智能计算技术在混流装配线优化领域中应用的主要研究方向之一。