潘飞， 都腾飞， 李泽军， 李仲树， 刘新

（江苏长江智能制造研究院，江苏 常州213164）

0 引言

随着以工业4.0为代表的新一轮制造业转型变革展开，传统的制造业市场竞争压力越来越大[1]。通过数字化工厂的仿真模拟，可以更快、更准、低成本、更高质量地生产市场所需的产品。数字化工厂仿真技术为工艺规划及生产布线带来了从规划流程到工艺实现的全方位技术变革，能够有效地减少规划和设计周期，降低出错率，缩短产品研发，为柔性生产和快速市场供给提供了强有力的技术支持[2]。

本文通过Plant Simulation平台对某公司的智能车间进行数字化仿真设计，合理分配各个工序的布置。为了提高生产产量，优化工艺流程，缩短物流转运时间，减少节拍时间，本文使用遗传算法（GA, Genetic Algorithm）和粒子群优化（PSO，Particle Swarm Optimization）的混合人工智能算法，对批次作业任务进行优化。结果表明，基于数字化仿真的智能制造解决方案优化了生产工序，缩短了生产节拍，为企业带来了更多的利润。

1 遗传算法和粒子群优化理论方法

遗传算法不同于常见的机器学习模型所使用的梯度下降算法，是一种进化算法，这种方法是由密歇根大学的J.Holland教授在1967年首次提出的[3]。该算法的流程如下：首先将具体问题抽象化，从实际案例的表现型到抽象问题的基因型完成映射编码工作，根据优胜劣汰的原则，随机生成第一代种群，并得到近似解。在迭代过程中，根据车间生产模型确定合适的适应域，通过域选择合适适应度的个体，在迭代过程中，对遗传算子进行迭代调整，通过交叉和变异产生新的解集种群，最终得到最优解。……