智能制造工程管理 第四章 制造工程管理中的优化与决策技术

李凯合肥工业大学《智能制造工程管理》第四章：制造工程管理中的优化与决策技术智能制造工程管理一二三引言制造工程管理中的预测技术制造工程管理中的优化技术四制造工程管理中的决策技术五制造工程管理中的评估技术二制造工程管理中的预测技术四制造工程管理中的决策技术五制造工程管理中的评估技术一引言三制造工程管理中的优化技术3制造工程管理中的优化与决策技术在对制造过程中的各种优化决策问题进行科学提炼的基础上，运用科学方法对问题进行求解，进而实现对制造工程管理的有效预测、优化、决策及评估。本章从制造工程管理实际出发，提炼出其中存在的预测、优化、决策和评估问题，在此基础上分节介绍常见的预测、优化、决策、评估技术，并通过制造工程管理案例说明这些技术的应用方法，以期对制造工程管理提供技术支撑。一、引言二制造工程管理中的预测技术四制造工程管理中的决策技术五制造工程管理中的评估技术一引言三制造工程管理中的优化技术5在制造工程管理中，为了提高生产效率、优化资源分配、减少库存成本、提升客户满意度以及增强市场竞争力等，会遇到一系列预测问题。预测的视角不同，预测问题也会有所不同，具体展示如下：二、制造工程管理中的预测技术2.1

预测问题与预测分类预测问题外部视角内部视角需求预测——辅助企业生产计划决策市场趋势预测——辅助企业市场策略和产品开发计划决策产品寿命周期预测——辅助企业定价与库存决策供应链风险预测——辅助企业提前制定风险缓解和应急计划产能预测——辅助企业生产计划与资源配置决策成本预测——辅助企业内部控制与定价决策质量问题预测——辅助企业质量管理决策6在制造工程管理中解决预测问题通常需要分析和处理多种类型的数据，不仅包括内部的生产和操作数据，还涵盖外部的市场和环境数据，可以概括为：生产数据、库存数据、质量数据、需求数据、供应链数据、市场数据、社会数据、政策环境数据等。二、制造工程管理中的预测技术预测的概念：制造工程管理预测是指依据企业管理需求，利用企业内部数据及外部信息，建立相应的模型方法，对企业生产经营等活动进行全方位趋势判断的过程。7二、制造工程管理中的预测技术在制造工程管理中，需要开展多种类型的预测。依据不同维度，可以划分为不同预测类别，具体展示如下：长期预测：一般为10～15年，主要用于企业战略决策需要。中期预测：一般为5～10年，主要用于企业市场决策需要。短期预测：一般为1～5年或更短，主要用于企业生产决策需要。即时预测：使用一组高频变量来实时预测低频变量，主要用于企业应急管理需要。依据预测时期长短单个预测方法：仅使用一个预测模型或算法来生成预测结果，具有较低的复杂性和计算成本，然而可能存在预测偏差。组合预测：使用多个预测模型或算法来生成预测结果，采用平均或投票等机制将单个预测结果进行融合，通过多样化来提高预测的准确性和稳健性，然而需要更多的信息和资源。依据预测模型方法多少定性预测方法：主要包括专家经验、德尔菲法、主观概率、情景预测等方法。定量预测方法：主要包括回归分析、时间序列分析、机器学习等方法。依据主观成分多少点预测：只提供单点值作为预测结果，信息含量较少，而且容易失败。区间预测：提供一个预测的置信区间，其包含真实值的概率满足一定的置信度，然后置信区间中的分布情况却未知。概率预测：能够提供完整的分布信息，便于掌握预测值及其概率伴随，从而提供更多有用信息，便于企业科学决策。依据预测结果信息含量8

二、制造工程管理中的预测技术

9回归分析是统计学中最为常用的一类方法，用于建立一个或多个解释变量（也称协变量、预测因子等）与被解释变量（也称响应变量、预测量）之间关系，评估解释变量对被解释变量的影响，预测与控制被解释变量取值。二、制造工程管理中的预测技术2.2

回归分析预测技术回归分析预测的内在逻辑在于，通过构造回归模型，揭示解释变量与被解释变量之间关系，依据解释变量取值来预测被解释变量的可能结果。回归分析最早可以追溯到Legendre(1806)与Gauss(1809)的研究工作，这一术语却由Galton(1890)最早提出，用来描述一种生物现象：高个子祖先后代的身高倾向于向正常平均水平回落。10根据不同应用需求，回归分析可以划分为因果关系推断与预测两个方面，建模时有所侧重。依据不同标准，回归分析可以划分为不同类型。二、制造工程管理中的预测技术回归分析划分的类型依据被解释变量是否连续观测，可以划分为连续回归与离散回归。依据关注被解释变量分布的位置，可以划分为均值回归与分位数回归。依据回归函数形式，可以划分为线性回归与非线性回归。依据模型估计方法，可以划分为参数回归与非参数回归。11均值回归二、制造工程管理中的预测技术

12分位数回归二、制造工程管理中的预测技术

13非线性回归二、制造工程管理中的预测技术在制造工程管理中，由于管理活动复杂性，输入变量与预测结果之间往往并非线性依赖关系，更多属于非线性依赖关系。为此，可以建立非线性回归模型，充分挖掘其中的复杂作用机制，从而提高预测效果。对于非线性回归的划分以及常用方法如下：14时间序列分析是指用于分析时间序列数据以便提取有用信息的一类分析方法。时间序列数据具有自然的时间顺序，每个数据点都与时间戳相关联，显著区别于横断面数据，影响到其分析方法的独特性。二、制造工程管理中的预测技术2.3

时间序列分析预测技术时间序列数据的记录，最早可以追溯到公元前800年中国古代的太阳黑子观测；时间序列分析方法最早起源于英国统计学家Yule(1927)的工作，对太阳黑子活动进行了分析；应用最为广泛的当属Box等(2015)的ARIMA类模型。时间序列分析预测的内在逻辑在于，通过构造时间序列模型，捕捉时间序列动态演变规律，预测时间序列变化趋势。15时间序列分析方法可分为两类。第一类为频域方法，包括谱分析和小波分析；第二类为时域方法，包括自相关和互相关分析。依据不同标准，时间序列分析可以划分为不同类型，主要包括：确定型与随机型时间序列分析，平稳与非平稳时间序列分析，一元与多元时间序列分析，线性与非线性时间序列分析等。二、制造工程管理中的预测技术2.3

时间序列分析预测技术平稳时间序列分析

16时间序列分析方法可分为两类。第一类为频域方法，包括谱分析和小波分析；第二类为时域方法，包括自相关和互相关分析。依据不同标准，时间序列分析可以划分为不同类型，主要包括：确定型与随机型时间序列分析，平稳与非平稳时间序列分析，一元与多元时间序列分析，线性与非线性时间序列分析等。二、制造工程管理中的预测技术2.3

时间序列分析预测技术平稳时间序列分析

17二、制造工程管理中的预测技术非平稳时间序列分析现实中，非平稳时间序列更为常见。然而，非平稳时间序列分析方法非常有限，只能处理一类较为特殊的非平稳时间序列，即可以平稳化的时间序列。非平稳时间序列进行平稳化方法主要有两种：（1）运用函数拟合、季节分解等确定性时间序列分析方法，对非平稳时间序列进行分解，移除非平稳部分，得到平稳时间序列，即建立组合模型。（2）运用差分方法，对非平稳时间序列进行差分，得到平稳时间序列并建立ARMA模型，再使用逆运算，得到原始非平稳时间序列的预测，即建立ARIMA模型。向量自回归模型在多元时间序列中，最为经典的是向量自回归（VectorAutoregression，VAR）模型，由一组相互联系的方程所组成，既能够考察变量间双方向因果关系，又能够克服联立方程模型的变量内生性与外生性划分和模型识别等麻烦。VAR模型有结构式和简化式两种类型。18机器学习是人工智能的一个重要领域，旨在训练不同模型算法，从已有数据中学习知识并推广到未知数据，从而自适应地执行任务。尽管机器学习一词由Samuel(1959)创造，但机器学习的历史可以追溯到更早的研究，例如McCulloch等(1943)提出了神经网络的早期数学模型，以提出反映人类思维过程的算法；Hebb(1949)介绍了由神经细胞之间的某些相互作用形成的理论神经结构。二、制造工程管理中的预测技术2.4

机器学习预测技术自Hinton等(2006)以来，深度学习获得了广泛发展，它则重于特征学习，能够自动进行多层复杂特征提取，显著不同于机器学习中的人工特征提取。机器学习预测的内在逻辑在于，通过机器来学习训练数据中的模式和关系，自适应地训练模型算法，预测测试数据中可能发生的事件。19二、制造工程管理中的预测技术20二、制造工程管理中的预测技术高斯混合模型高斯混合模型（GaussianMixedModel）是一种基于概率密度函数的聚类方法，属于无监督学习。GMM是多个高斯分布函数的线性组合，理论上可以拟合出任意分布类型，通常用于解决同一集合中数据包含多个不同分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布）。一个GMM分布由K个高斯分布组成，每个高斯分布称为一个“Component”，这些Component线性加成在一起就组成了GMM的概率密度函数。从GMM中随机取一点或者一个观测值，其出现的概率是几个高斯混合的结果。这一抽取过程可以分为两步：第一，随机地在这K个GaussianComponent之中选一个，每个Component被选中的概率实际上就是它的系数；第二，单独地考虑从这个选中的Component的分布中选取一个点，这里已经回到了普通的高斯分布，转化为了已知的问题。21二、制造工程管理中的预测技术Logit回归模型

神经网络神经网络，也称为人工神经网络（ANN），是一种受动物大脑中生物神经网络中神经元组织启发建立起来的模型。ANN由神经元节点组成，神经元节点之间通过边来连接，每个神经元节的输出需要经过激活函数处理，建立从输入到输出之间的非线性映射关系，从而很好地逼近真实世界。ANN主要类型有：前馈神经网络、反馈神经网络、图神经网络。在RBF（径向基函数）神经网络基础上，可以扩展到分位数回归框架下，得到神经网络分位数回归（QRNN）。22二、制造工程管理中的预测技术2.5

制造工程管理中的预测案例随着“智能制造”战略的不断推进，大型旋转机械正朝着自动化、高效化和智能化方向迅速发展。在这一背景下，滚动轴承作为旋转机械中至关重要的关键部件，其运行状态直接关系到整个机械设备的工作进程和性能。因此，对滚动轴承进行更准确、更智能的剩余寿命预测是减少经济损失的重要保障。问题背景产生问题传统的滚动轴承剩余寿命预测方法无法应对不同工作环境的挑战，也无法满足智能制造的要求。这些方法通常假设源域和目标域的数据分布相同，但在实际工程中很难实现这一假设。如何对滚动轴承进行更准确、更智能的剩余寿命预测成为问题的关键。23二、制造工程管理中的预测技术0201迁移网络(ODASTN)模型构建03RUL预测模块RUL预测流程为了适应各种工况，在轴承寿命预测领域中，常常需要采用深度学习结合领域自适应的迁移学习模型。迁移学习方法步骤如下：解决方案（1）RUL预测流程建立一个有序的双方面自注意迁移网络(ODASTN)模型，进行特征提取并给出RUL预测结果，主要流程包括：信号处理、特征提取和RUL预测等三个阶段。24二、制造工程管理中的预测技术（2）ODASTN模型构建（3）RUL预测模块RUL预测模块使用监督学习来训练一个有效的回归器，用于预测RUL。该模块包含一个前馈层和一个输出层来组合所有提取的信息。ODASTN模型体系结构如右图所示，将源域中的知识转移到目标域中，使源域的分布变得非常接近目标域的分布。25二、制造工程管理中的预测技术（1）数据与预处理：PHM2012数据集来自PRONOSTIA平台。考虑了三种不同负载，收集了17个轴承运行到故障数据，见表4-1。采样频率为25.6kHz，每个样本包含2560个数据点，每10秒记录一次。（2）实验设计为了验证ODASTN模型的域自适应性能，设计了不同工况下的转移任务，如表4-2所示。源域和目标域由两种不同工况下的轴承数据组成。测试数据包括其他与目标域相同工况的轴承数据。数据与实验26二、制造工程管理中的预测技术（3）实验结果表4-3展示六个迁移任务的比较结果。总体而言，ODASTN模型产生了较低的MAE和RMSE，以及较高的SCORE分数，证实其在处理不同工况下轴承振动信号时具有强大的域自适应能力。27二、制造工程管理中的预测技术二制造工程管理中的预测技术四制造工程管理中的决策技术五制造工程管理中的评估技术一引言三制造工程管理中的优化技术29优化问题是包括优化目标和约束条件两个组成部分的定量管理问题。与制造工程相关的优化目标最明确的往往是企业利润的最大化，而企业在追求利润最大化的同时也要注重企业的社会责任，因此可以抽象出能耗最小化、客户平均等待时间最小化、平均运输路径最小化等若干其他的优化目标。企业的具体环境和生产条件以及国家对企业在生态、节能等方面的硬性要求构成了优化问题的约束条件。不同的制造系统对应的约束条件及目标函数的构成也各有不同。三、制造工程管理中的优化技术3.1优化问题与优化模型01生产流程优化问题产品配置优化问题制造过程优化问题04库存优化问题物流路径优化问题供应链优化问题优化问题0203060530优化模型是实际优化问题的数学描述，包括目标函数和约束条件两个部分。生产调度问题是制造工程管理中非常常见的一类优化问题，一直是运筹与优化、工业工程等领域中的研究热点。以目标是最小化完工时间和的平行机调度问题为例，可构建如下生产调度优化模型:三、制造工程管理中的优化技术3.1优化问题与优化模型

31三、制造工程管理中的优化技术3.2精确优化技术对于优化模型，有些算法致力于寻找其最优解，而有些算法则希望搜索到高质量的满意解。采用何种算法求解问题主要依赖于现实中人们对优化问题解的精度和算法计算效率的要求。分支定界算法、列生成法、分支定价算法、动态规划法、割平面法等传统的运筹学方法能够获得优化问题的最优解，因此称为精确算法。分支定界算法分支定界算法是一种常见的组合优化问题的求解方法，由LandDoig和Dakin等人于20世纪60年代初提出，现在已经获得了非常广泛的应用，被成功地应用于求解整数规划问题、生产调度问题、车辆调度问题、选址问题、背包问题以及其它可行解数量有限的问题。分支定价算法分支定价算法是解决求解大规模线性规划问题的一种常见方法，该算法最初由RalphE.Gomory在20世纪60年代提出，为解决具有大规模整数变量的优化问题提供了重要的理论基础。动态规划算法动态规划是解决多阶段决策过程最优化问题的一种常用方法，由美国数学家R.E.Bellman等人于20世纪50年代初提出，并于1957年出版了该领域的第一本著作《DynamicProgramming》。32分支定界算法三、制造工程管理中的优化技术基本思想：把问题的可行解展开如树的分支，再经由各个分支中寻找最优解。算法框架：Step1.计算初始解，并设为当前最优解；Step2.初始化根节点，计算根节点的下界，若大于等于当前最优解，则停止；否则，把其列入活动节点集；Step3.若活动节点集为空，停止；否则，从活动节点集中把首节点移走，产生新节点。若新节点不是叶子节点，则产生新节点前，先计算其下界，若下界小于当前最优解，则把新节点插入至活动节点集，否则不产生此节点；若新节点是叶子节点，则计算此完全解，若小于当前最优解，则把它作为当前最优解； Step4.转Step3。搜索策略：（1）深度优先策略；（2）广度优先策略；（3）最好的界优先策略33分支定价算法三、制造工程管理中的优化技术分支定价算法由分支定界和列生成算法组成，其基本思想是以分支定界算法为主体，求解线性规划问题的过程中采用列生成算法对子节点进行定界，通过削减变量减少复杂度，提高求解效率。初始解生成生成初始解，并将其作为当前最优解。初始化根节点创建根节点，并计算其对应子问题的下界（最小化问题）或上界（最大化问题）。如果下界（或上界）大于等于当前最优解，则停止算法。否则，将根节点添加到活动节点集合中。循环迭代对于从非空活动节点集合中选定的节点：首先，通过分支生成新的子问题；其次，对于每个生成的子问题，使用列生成算法求解其下界或上界；再次，根据定界计算的结果，对子问题进行剪枝；最后，如果某个子问题的解优于当前最优解，则更新当前最优解，否则，将未剪枝的子问题添加到活动节点集合中。重复迭代重复进行循环迭代，直到找到最优解或者活动节点集合为空34动态规划算法三、制造工程管理中的优化技术基本思想：基本思想是将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把计算结果保存起来，以后再次遇到时直接引用这些计算结果，不必重新进行求解。按照问题的特征，将问题划分为有序的或可排序的若干个阶段划分阶段01将问题发展到各个阶段时所处于的客观情况用不同的状态表示出来，状态的选择应满足无后效性选择状态02根据状态转移规律给出后一阶段的状态变量的值与前一阶段状态变量和决策变量的值之间的对应关系确定决策与状态转移方程03动态规划的基本方程是规划方程的通用形式化表达式写出规划方程04动态规划算法设计步骤35三、制造工程管理中的优化技术3.3元启发优化技术当问题规模较大时，精确算法难以在合理的时间内提供最优解，由此出现了许多元启发式算法（Meta-heuristicAlgorithm）框架。元启发式算法，如遗传算法、模拟退火算法、可变邻域搜索、蚁群算法等，通常是基于随机搜索，因此也称为随机优化方法。从理论上讲，元启发式算法具有收敛到最优解的趋势，因此能够为大规模的NP-hard问题提供较高质量的满意解。局部搜索算法在基于搜索的元启发式算法中，局部搜索是它们的基础。局部搜索仅能保证获得局部最优解而无法保证收敛到全局最优解。从某种意义上说，其他基于搜索的元启发式算法均是为了避免陷入局部最优的陷阱而采用了不同的算法设计理念以改进局部搜索。遗传算法遗传算法是一种基于自然选择和遗传机制的优化算法，广泛用于解决组合优化问题和非线性优化问题。遗传算法最初由美国的J.H.Holland教授提出，凭借其高效性、实用性和强鲁棒性引起了许多学者的广泛关注。蚁群算法蚁群算法是一种模拟真实蚂蚁觅食行为且已被证明为收敛的元启发式算法。该算法是由意大利学者M.Dorigo等提出的一种基于种群的启发式随机搜索算法，其具有较强的鲁棒性和良好的分布计算机制，在解决复杂离散优化问题方面表现出良好的性能。36局部搜索算法三、制造工程管理中的优化技术局部搜索是一种在当前可行解的基础上，按照一定的方法产生邻域并以该邻域中的最优解作为下一个当前可行解的不断迭代的搜索算法，当算法无法改进某一当前可行解时则算法结束。算法框架：Step1.产生一个初始可行解σ，对应目标函数值为Z(σ)；Step2.在解σ的邻域中寻找最优的邻居σ’；Step3.如果Z(σ')≤Z(σ)，则为当前可行解σ重新赋值为σ'，即σ=σ'；转Step2；Step4.返回局部最优解σ及对应的Z(σ)。常见策略：（1）采用某种方法获得一个可行解作为局部搜索的初始解；（2）设计一种邻域生成方法。37遗传算法三、制造工程管理中的优化技术核心思想：基于达尔文的“优胜劣汰”原则，通过自然选择来保留性能优良的个体，同时通过交叉和变异等操作在种群中引入多样性。算法框架：Step1.初始化种群：随机生成或基于启发式方法生成N个个体作为初始群体。Step2.自然选择和遗传机制：首先，计算个体的适应度，并根据适应度的高低，按照轮盘赌选择、锦标赛选择和排名选择等策略选择个体作为父代，组成交配池；其次，对交配池中的个体进行交叉操作，生成新的个体；再次，针对交叉后得到的个体运用变异操作，保持种群的多样性；最后，将新生成的个体与原种群合并，并根据适应度进行选择，保留一定数量的优质个体。Step3.重复Step2，直至达到终止条件。当满足终止条件时，算法停止，输出最优解。38蚁群算法三、制造工程管理中的优化技术蚂蚁在寻找食物源时，会在路径上留下蚂蚁独有的路径标识——信息素，同时会感知其他蚂蚁在各条路径上留下的信息素，并根据各条路径上信息素浓度来选择之后要走的路。路径上的信息浓度越高，蚂蚁更倾向于选择该路径。在蚂蚁选择某条路径后也会在该路径上留下信息素吸引更多蚂蚁选择该路径。随着时间的推移，信息素浓度不断增大，蚂蚁选择路径的概率也随之增高，由此形成了正反馈机制。通过这种正反馈机制，蚂蚁最终可以发现最短路径。算法框架：Step1.生成一群蚂蚁，初始化信息素；Step2.蚂蚁根据信息素的浓度和启发式信息在解空间中移动；Step3.在蚂蚁遍历完路径后，更新信息素；Step4.在蚁群完成一轮搜索后，记录最佳路径，并根据问题的终止条件判断是否停止；如果未达到终止条件，则重新生成蚂蚁，并执行下一轮搜索；Step5.重复上述步骤，直到满足终止条件；最终，输出最优解。39三、制造工程管理中的优化技术3.4模型与数据混合驱动的优化技术精确优化技术与元启发式优化技术旨在构建算法，求解优化模型，因此可统一归属于模型驱动的优化技术。模型驱动的优化技术主要依赖于建立数学模型来描述问题，然后使用优化算法或技术来求解这些模型以获得最优解或者近似最优解，存在对问题的理解和建模要求较高、对初始条件敏感、计算复杂度高等局限性。随着新一代信息技术的发展，大数据及人工智能等技术在人类生产生活中发挥出重要作用，产生了数据驱动的优化技术并受到关注。数据驱动的优化技术强调利用大量数据来直接推导解决问题的方法，而不是依赖于先前建立的数学模型，存在数据质量问题、维度灾难、过拟合问题、解释性问题、长期稳定性问题等挑战。模型与数据混合驱动的优化技术通过结合模型驱动和数据驱动的优化方法，充分利用两者的优势协同作用，从而实现更加智能、高效的优化过程，适用于各种复杂、动态的实际问题。基于模型与数据混合驱动的优化思想，构建遗传算法与强化学习的混合优化方法遗传算法构建优化模型设计遗传算法定义搜索策略集合强化学习搜索策略选择强化学习更新迭代优化过程奖励信号设定评估性能并更新奖励执行搜索策略40三、制造工程管理中的优化技术3.4模型与数据混合驱动的优化技术三、制造工程管理中的优化技术3.5制造工程管理中的优化案例

在解决实际的优化问题时，必须将优化的普遍理论与方法同问题的具体特点紧密结合起来，才能保证所构造优化算法的计算效率和所获得的解的精度。本节以半导体芯片生产为例，详细介绍制造工程管理中的优化问题。0301算法设计：（1）解的表示（2）解的编码（3）工件候选列表（4）批的首个工件选择（5）信息素踪迹（6）启发式信息（7）局部搜索（8）信息素踪迹的更新

02模型构建ZhangH,LiK,JiaZ,etal.Minimizingtotalcompletiontimeonnon-identicalparallelbatchmachineswitharbitraryreleasetimesusingantcolonyoptimization[J].EuropeanJournalofOperationalResearch,2023,309(3):1024-1046.42三、制造工程管理中的优化技术一二三引言制造工程管理中的预测技术制造工程管理中的优化技术四制造工程管理中的决策技术五制造工程管理中的评估技术44四、制造工程管理中的决策技术4.1决策科学与科学决策决策是人们为了达到某一目的而进行的方案选择行动，是决策主体以问题为导向，对个人或组织未来行动的方向、目标、方法和原则所作的判断和抉择。决策科学从自然规律和社会规律出发，以逻辑推理为基础，基于严密的定量决策方法选择行动方案，追求清晰、一致的决策，体现了决策的科学性。科学决策是指决策者凭借逻辑思维、形象思维、直觉思维等，利用科学的理论、方法和技术，按照一定程式和机制完成决策。科学决策是决策科学和决策艺术、逻辑推理和直觉判断的有机统一。12346571:根节点2-3:内部节点4-7:叶节点决策树神经网络图片来源：45四、制造工程管理中的决策技术4.2确定型决策与不确定型决策若决策所面临决策环境的自然状态完全已知、确定，则其为确定型决策。若某些自然状态具有不确定性或非唯一性，但不确定状态出现的概率已知或可预测，则为风险型决策或随机型决策。若某些自然状态具有不确定性或非唯一性，且难以获得各种状态发生的概率，甚至对未来状态都难以把握，则为不确定型决策。确定不确定风险型状态已知概率已知概率未知图片来源：STACEY矩阵模型（项目类型划分）46四、制造工程管理中的决策技术4.2确定型决策与不确定型决策：基于机器学习的智能决策方法智能决策的核心问题是如何获取支持决策的信息和知识。机器学习从模拟人类的学习行为出发，建立人类学习过程的计算模型或认知模型，发展各种学习理论和学习方法，从根本上提高计算机智能和学习能力。常见的智能决策方法：决策树、决策树、神经网络与深度学习、强化学习等。支持向量机支持向量机的核心思想是将统计学习理论的结构风险最小化原则引入分类问题的求解，针对线性可分问题，在高维空间中寻找一个超平面将其分割为两类，使分类错误率最小化。决策树强化学习。强化学习，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。决策树是一个类似流程图的树结构，其中树的内结点对应属性或属性集，每个分枝表示检验结果，即属性值，树枝上的叶结点表示所关心因变量的取值，即类标签，最顶端的结点称为根结点。47四、制造工程管理中的决策技术4.2确定型决策与不确定型决策：基于不确定性理论的智能决策方法不确定型决策所依赖的信息往往具有模糊性、不完全性、随机性、不精确性等特点，需要应用相关不确定性理论对信息进行处理。不确定性理论主要包括贝叶斯网络、证据理论、模糊集理论及粗糙集理论等。证据理论证据理论是Dempster于1967年首先提出，由他的学生Shafer于1976年进一步发展起来的一种不精确推理理论，也称为D-S证据理论。证据理论引进了信念函数概念，对经典概率理论加以推广。贝叶斯网络粗糙集理论粗糙集理论最早由波兰数学家Z.Pawlak于1982年提出。粗糙数据集是指数据集中的数据符合同一特征描述却分属于不同概念。贝叶斯网络又称信度网络，是用来表示变量集合连接概率分布的图形模型，它提供了一种自然地表示因果信息的方法。贝叶斯网络的学习既可以由上级结点向下级结点推理，也可以由下级结点向上级结点推理。48四、制造工程管理中的决策技术4.3单目标决策与多目标决策：多目标规划及其求解策略多目标规划(Multi-ObjectiveProgramming，MOP)指在决策变量满足给定约束条件下研究多个可数值化的目标函数同时极小化或极大化的问题。多属性决策问题的求解一般经过非量纲化、归一化等预处理、指标权重确定、决策分析三个阶段。基于多个单目标问题的求解方法将原来的多目标规划问题转化为具有一定次序的多个单目标优化问题，然后依次求解这些单目标优化问题，并将最后一个单目标优化问题的解作为MOP问题的最优解。基于一个单目标问题的求解方法将原来的多目标规划问题转化为一个单目标优化问题，然后利用非线性优化算法求解该单目标问题，将所得解作为MOP问题的最优解。49四、制造工程管理中的决策技术4.3单目标决策与多目标决策：多属性决策分析多目标规划(Multi-ObjectiveProgramming，MOP)指在决策变量满足给定约束条件下研究多个可数值化的目标函数同时极小化或极大化的问题。多属性决策问题的求解一般经过非量纲化、归一化等预处理、指标权重确定、决策分析三个阶段。逼近理想解排序法逼近理想解排序法，借助多属性决策问题的正负理想解对方案集中的各方案进行排序。在多属性决策中，对于给定的方案集，每个指标都有一个最优属性值和一个最差属性值。一般加权和法AHP法AHP法适用于决策问题中存在某些指标不可测，但依据这些指标，不同方案可以进行优劣比较的情形，其思想是依据不可测指标，两两比较每个方案的优劣，法评价各方案的优劣。

50四、制造工程管理中的决策技术4.4单人决策与群体决策决策可以由个人做出，也可以由群体做出。在实际决策中很少有决策任务是由个人单独完成的，即使是由执行某种职权的个人来做最后决策，也离不开其他人的参与，如提供信息、提出参考意见等。群体决策指具有不同知识结构、不同经验、共同责任、相同或不同目标的群体对管理问题进行求解的过程。社会选择社会选择函数通过采用某种与群中成员偏好相关的数量指标即投票计票规则来反映群体对各候选人的总体评价。票决制专家咨询依靠各方面的专家、科技小组，采用诸如头脑风暴法、Delphi法、集体参与分配网法等，在决策问题的求解过程中逐步形成方案，并在方案的评价过程中不断改进方案或产生新方案。票决制是一个多准则决策过程，具有一定的民主基础，同时也存在着诸如策略性投票、投票悖论等问题。51四、制造工程管理中的决策技术4.5短期决策与长期决策：短期决策从时间维度大致可以将决策问题分为短期决策和长期决策。短期决策通常是在较短的时间内做出的，通常涉及时间跨度为几天到几个月。短期决策通常侧重于解决当前问题，满足当前需求，以维持或改善短期业绩。长期决策则是在较长时间范围内制定的，通常涉及时间跨度为数年甚至更长。长期决策注重未来发展规划和战略定位，以实现长期利益最大化和持续发展。伯特兰德寡头模型伯特兰德模型是由法国经济学家约瑟夫·伯特兰德于1883年建立的。该模型假设各大厂商决策的是价格而不是产量，并且各寡头厂商生产的产品是同质的，即是可完全替代的。此外，寡头厂商之间也没有正式或非正式的串谋行为。古诺模型斯塔克博格博弈模型斯塔克尔伯格模型由德国经济学家斯塔克尔伯格在上世纪30年代提出。该模型的假定是：主导企业知道跟随企业一定会对它的产量做出反应，因而当它在确定产量时，把跟随企业力反应也考虑进去了。古诺模型是早期的寡头模型。它是由法国经济学家古诺于1838年提出的。古诺模型是寡头竞争厂商决策产量的博弈模型。52四、制造工程管理中的决策技术4.5短期决策与长期决策：短期决策从时间维度大致可以将决策问题分为短期决策和长期决策。短期决策通常是在较短的时间内做出的，通常涉及时间跨度为几天到几个月。短期决策通常侧重于解决当前问题，满足当前需求，以维持或改善短期业绩。长期决策则是在较长时间范围内制定的，通常涉及时间跨度为数年甚至更长。长期决策注重未来发展规划和战略定位，以实现长期利益最大化和持续发展。重复博弈重复博弈是一种连续进行的博弈过程，玩家的策略选择会受到前几轮博弈的影响，从而影响到后续博弈的结果。这种策略依赖性使得玩家需要考虑长期利益和短期收益之间的平衡。演化博弈演化博弈研究的是群体中个体策略的演化和变化过程。与传统博弈论不同，演化博弈假设参与方是有限理性的，注重于描述和分析在多个博弈过程中，不同策略在群体中的传播和演化。53四、制造工程管理中的决策技术4.6轿车整车开发决策支持系统案例轿车整车产品开发是一个典型的复杂产品开发，具有多阶段、多层次、多部门和多合作单位、多类型任务、多工具方法等特征，是一项高维度的综合集成的复杂的系统工程。下面以轿车整车产品开发决策支持系统为案例阐述有关理论和技术实现方法。根据轿车整车开发过程中的产品规划、概念设计、数字化设计、试制试验、产品制造等五个阶段，列出各个阶段以及各个阶段之间的主要决策问题概念设计在整车概念设计中，存在着过程建模、信息建模、概念设计方案生成与评价、设计推理、设计决策等主要决策问题。产品规划产品制造在整车产品制造中，为了增加企业的灵活性，降低和控制生产成本，加强企业重组和获利能力，企业需要制定相关的产品制造策略，涉及到零部件供应商选择与评价、整车产品质量检测与评价等重要的管理和决策问题。整车产品开发是一个多种活动组成的有机集合体，企业利用系统工程理念、运筹学方法、工程管理技术和信息技术手段，对产品开发过程的各种要素（包括活动、人员、资源、时间、成本等）进行计划和安排。54四、制造工程管理中的决策技术二制造工程管理中的预测技术四制造工程管理中的决策技术五制造工程管理中的评估技术一引言三制造工程管理中的优化技术56制造工程管理过程可以看成一个漏斗形的过程，并在这一过程中设置若干个项目门，这些项目门是制造工程管理过程中设置的一系列控制点，在每个控制点都要进行评估，用来确保产品在每阶段所有活动的标准已经得到满足，可以进入下一个阶段。造工程管理必须依次通过每一个项目门，才能够最终完成。五、制造工程管理中的评估技术5.1

评估问题与评估过程产品开发项目的可行性评估分析产品设计与计划方案评估生产效率和质量评估，如生产周期、产量、产品合格率供应链绩效评估，如供应链的可靠性、效率等市场风险评估等01产品设计与开发02物料采购与供应链管理03生产计划与排程04投放市场57制造工程管理评估过程的特点评估标准和评估指标体系的构建需要考虑很多因素，评估的复杂性凸显出来。制造工程管理过程包含着众多的不确定因素，内外部环境也在不断发生着变化，因此评估过程中的不确定性尤为突出。评估方法的选择对于复杂产品开发过程的评估具有重要意义，不同的评估方法的适用范围不同，评估结果也有所差异。各个阶段的评估过程往往是一个群体专家评估过程，需要综合考虑各方面专家的意见。五、制造工程管理中的评估技术评估过程复杂性评估方法多样性评估信息不确定性评估参与者背景广泛性58工程管理理念与工程管理技术深度融合五、制造工程管理中的评估技术5.2基于证据推理的评估技术在评价过程中，评价指标往往既包含有定量指标，也包含有定性指标。随着评价问题规模的不断扩大，以及内外部环境的日益复杂，评价过程中信息的不确定性越来越多，有时这种不确定性占据着主导地位，而且会随着时间的变化发生动态改变。证据推理方法对于解决既包含定量指标又包含定性指标的不确定性多属性评价问题具有很好的效果，它的理论基础是证据理论（Dempster-Shafer(D-S)）以及多属性决策分析(MultipleAttributeDecision-Making，MADM)框架。基于模糊权重和效用的证据推理方法为了更加准确地获取专家群组的偏好差异性以及专家个体本身对风险态度的变化，将证据推理方法中的评价等级效用值由精确值扩展为区间数，并以此为约束条件建立基于证据推理方法的规划模型，通过求解模型可以计算得到对某个方案的总效用评价值。基于风险态度和标准可靠性的证据推理方法在证据推理方法中，标准的可靠性可以解释为标准上的个人表现正确描述整体表现的程度。考虑决策者的风险态度，由每个备选方案的每个标准的原始可靠性构建该标准的组合可靠性。通过遵循回归思想来学习每个准则的原始可靠性，构建统一的优化评估模型。59

工程管理理念与工程管理技术深度融合五、制造工程管理中的评估技术5.2基于证据推理的评估技术

证据推理的基本算法如下所示：60工程管理理念与工程管理技术深度融合五、制造工程管理中的评估技术5.2基于证据推理的评估技术

61工程管理理念与工程管理技术深度融合五、制造工程管理中的评估技术5.2基于证据推理的评估技术

62基于模糊权重和效用的证据推理方法——三角模糊数的表达五、制造工程管理中的评估技术

三角模糊权重较之区间权重表达了更多的评价信息,它不但有权重的取值范围,而且还反映出一个最有可能取到的权重值,并且在区间范围内的每一个可能取值都有对应的概率。因此,将证据推理方法中指标的权重设为三角模糊数更具有意义。63基于模糊权重和效用的证据推理方法五、制造工程管理中的评估技术在证据推理评估方法的群评估条件下，不同专家由于其知识结构和价值取向不尽相同，对同一个评价等级的效用判断会有所差异，有时这种差异还会带来较强的冲突。为了更加准确地获取专家群组的偏好差异性以及专家个体本身对风险态度的变化，将证据推理方法中的评价等级效用值由精确值扩展为区间数，并以此为约束条件建立基于证据推理方法的规划模型，通过求解模型可以计算得到对某个方案的总效用评价值。基于风险态度和标准可靠性的证据推理方法在证据推理方法中，除了标准的权重之外，可靠性是与标准相关的另一个重要概念，它是具有代表性的多属性决策方法。标准的可靠性可以解释为标准上的个人表现正确描述整体表现的程度。在该方法中，考虑决策者的风险态度，由每个备选方案的每个标准的原始可靠性构建该标准的组合可靠性。通过遵循回归思想来学习每个准则的原始可靠性，构建了一个统一的优化评估模型。64工程管理理念与工程管理技术深度融合五、制造工程管理中的评估技术5.3基于区间语言信息的评估技术将不确定性多属性评价问题通过用集值的统计理论或者将不确定属性评价的数学期望值作为方案的属性值，转化为确定性多属性评价问题来求解。整个求解过程分信息的提取和评价值的集结两个过程。在评价值的集结过程中，对于每一个方案，根据评价值的大小来对备选方案进行择优和排序。在决策信息提取中，考虑决策的结果反映决策者所处的环境因素和决策者本身的个性特点，所以不确定性多属性评价问题不仅包括属性权重信息和属性值信息，还有决策者对方案的风险偏好信息。基于不确定语言和数值评价信息的多属性评价模型在制造工程管理的评价过程中，人们倾向于利用语言来表达对某事物的判断。建立不确定语言信息与数值信息相混合的多属性评价模型是求解实际评估问题的必然要求。该模型可用矩阵形式表示。基于双边犹豫模糊非均衡语言集的评估方法双边犹豫模糊非均衡语言集这种新型信息形式以使决策者能够灵活有效的表征应急事件管理中的复杂评价信息，通过定义运算法则、熵和距离测度开发了双边犹豫模糊非均衡语言优先加权集成算子，并构建了能够考虑属性优先关系的多属性决策方法。五、制造工程管理中的评估技术5.3基于区间语言信息的评估技术多属性决策理论应用中的不确定信息形式区间数信息模糊信息语言信息在多属性决策过程中，对于参评对象所呈现的评判结果，专家以区间数的偏好信息形式给出。对于参评对象所呈现的评判结果，以模糊数的偏好信息形式给出。对于参评对象所呈现的评判结果，专家是以语言的偏好信息形式给出，用通俗易懂的“好”“差”的自然语言进行评价。66基于不确定语言和数值评价信息的多属性评价模型五、制造工程管理中的评估技术

67基于双边犹豫模糊非均衡语言集的评估方法五、制造工程管理中的评估技术在应用多属性决策理论求解应急响应预案评估问题时，问题结构的复杂性往往使决策者评价信息存在高度不确定性且属性相对重要性仅能以优先级关系来表征。应急事件问题特