仿真及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，介绍了国内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，并对国内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 Winter Simulation 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《Simulation Modeling and Analysis》与《Discrete Event Systems Simulation》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，然后综述国内外研究现状，最后分析仿真优化存在的问题及发展趋势。

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，f(X,ω)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。

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范畴，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内获得较优解。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 MODSIM Ⅱ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 Microsoft OLE 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，极大地改善了装配线的运行效果。