中航工業(yè)北京航空制造工程研究所數(shù)字化制造航空科技重點實驗室 呂瑞強(qiáng) 侯志霞

制造業(yè)是一個國家經(jīng)濟(jì)發(fā)展的基石，也是增強(qiáng)國家競爭力的基礎(chǔ)，同時也是多專業(yè)高新技術(shù)的載體，體現(xiàn)了國家高新技術(shù)的整體水平。隨著專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能技術(shù)在制造系統(tǒng)及其各個環(huán)節(jié)的廣泛應(yīng)用，制造信息及知識的獲取、表示、傳遞、存儲和推理成為可能，出現(xiàn)了制造智能化的新型生產(chǎn)模式。制造中的智能主要表現(xiàn)在智能設(shè)計、智能加工、機(jī)器人、智能控制、智能工藝規(guī)劃、智能調(diào)度、智能測量等方面。智能制造技術(shù)是傳統(tǒng)制造技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)、自動化技術(shù)與人工智能技術(shù)的有機(jī)結(jié)合，是面向產(chǎn)品全生命周期，實現(xiàn)泛在感知條件下的信息化制造，人工智能本身技術(shù)的逐步成熟以及它在制造業(yè)中的成功應(yīng)用，是制造業(yè)實現(xiàn)智能化的關(guān)鍵技術(shù)保障。

智能制造的發(fā)展歷程

“智能制造”的概念最早是由美國普渡大學(xué)智能制造國家工程中心（IMS-ERC）于1987年提出，最初研究方向主要包括過程建模、設(shè)計工具和系統(tǒng)集成策略3部分，以開發(fā)智能制造研究平臺為主要手段，研究面對不同類型的機(jī)械制造相關(guān)制造智能化系統(tǒng)。隨后美國國家標(biāo)準(zhǔn)與技術(shù)局（NIST）的自動化制造與試驗基地（AMRF）也將“為下一代以知識庫為基礎(chǔ)的自動化制造系統(tǒng)提供研究與試驗設(shè)施”作為其三大任務(wù)之一。美國工程師協(xié)會在1993年4月召開的第22屆可編程控制國際會議中，展出了大量具有一定智能的硬件控制設(shè)備，并提出“智能制造、新技術(shù)、新市場、新動力”的口號。當(dāng)時美國工業(yè)界就提出預(yù)測：智能制造將徹底改變21世紀(jì)的制造業(yè)面貌。

歐洲對人工智能和智能制造的研究也是自20世紀(jì)80年代開始的，其更側(cè)重于對制造系統(tǒng)中人的因素進(jìn)行研究。當(dāng)時歐共體推行的“歐洲信息技術(shù)研究發(fā)展戰(zhàn)略計劃”（ESPRIT）和“歐洲高技術(shù)發(fā)展計劃”（EUREKA）中涉及大量智能制造基礎(chǔ)技術(shù)的研究。日本也在同一時期開始智能制造領(lǐng)域的研究工作，日政府推行的“智能制造國際合作研究計劃”于1993年正式實施，合作組織成員包括日本、美國、歐盟等國家和組織的企業(yè)、高校、研究所共84個制造業(yè)組織，對100多個智能制造相關(guān)技術(shù)展開前期科研計劃。該國際合作計劃的目標(biāo)是研究開發(fā)出能使人和智能設(shè)備都不受生產(chǎn)操作和國界限制的彼此合作的系統(tǒng)。

近年來，由于全球生產(chǎn)力成本的增加和制造環(huán)境復(fù)雜程度的提升，智能制造受到眾多工業(yè)發(fā)達(dá)國家更加廣泛的關(guān)注，這一概念又被重新推到世界制造業(yè)的風(fēng)口浪尖。德國提出“工業(yè)4.0”計劃，美國宣布國家級制造相關(guān)政策 “再工業(yè)化”，中國也隨后推出“中國制造2025”。這些制造相關(guān)的先進(jìn)概念與政策，無一例外都是以提升制造業(yè)整體競爭力為目的，以實現(xiàn)真正的“智能制造”為發(fā)展目標(biāo)。

人工智能技術(shù)

智能制造的技術(shù)核心便是人工智能（Artificial Intelligence）。人工智能是以現(xiàn)代計算機(jī)技術(shù)為基礎(chǔ)，以模仿人類智能為手段的一門學(xué)科。人工智能研究的一個主要目標(biāo)是使機(jī)器能夠勝任通常需要人類智能才能完成的任務(wù)，或者完成人類智能也無法解決的更加復(fù)雜的工作。

人工智能的概念最早是由英國科學(xué)家阿蘭·圖靈博士于1950年首次通過“智能機(jī)器”而引出的。圖靈認(rèn)為，如果一臺計算機(jī)能夠?qū)θ祟愄岢龅膯栴}進(jìn)行回答，那么就可以認(rèn)為這臺機(jī)器是一臺會思考的機(jī)器，它便具有了一定的智能。1956年在美國達(dá)特茅斯學(xué)院召開的人工智能會議，正式提出了人工智能這一學(xué)科，并提出“Dartmouth人工智能夏季研究計劃”，其中提到將研究如何使機(jī)器使用語言，形成抽象的概念，解決各種人類尚無法解決的問題[1]。通過幾十年的研究，人工智能的思想和技術(shù)已經(jīng)在包括制造業(yè)在內(nèi)的許多領(lǐng)域中獲得了應(yīng)用。人工智能研究領(lǐng)域主要包括以下幾個方面。

（1）專家系統(tǒng)（Expert Systems），或稱基于知識的系統(tǒng)（Knowledge-Based Systems）是人工智能的一個重要研究領(lǐng)域，也是最早被應(yīng)用在制造業(yè)的人工智能技術(shù)之一。通常來講，專家系統(tǒng)可以被視為一個專門解決某一領(lǐng)域?qū)I(yè)問題的程序，它通常包含2個主要的功能元素：知識庫和推理機(jī)。知識庫中包含的專業(yè)領(lǐng)域知識通?？梢园▽κ聦嵉年愂觥ⅰ癐f-Then”規(guī)則以及對象或程序的組合；推理機(jī)中，通過推理機(jī)制可以對獲知的信息進(jìn)行推理驗算，并選擇最優(yōu)的規(guī)則。

（2）搜索技術(shù)。搜索是根據(jù)問題的實際情況不斷尋找可利用的知識，從而構(gòu)造一條代價較小的推理路線。搜索分為盲目搜索和啟發(fā)式搜索，盲目搜索是按預(yù)定的控制策略進(jìn)行搜索，在搜索過程中獲得的中間信息不用來改進(jìn)控制策略。啟發(fā)式搜索是在搜索過程中加入與問題有關(guān)的啟發(fā)性信息，用于指導(dǎo)搜索朝著最有希望的方向前進(jìn)，加速問題的求解過程,并找到最優(yōu)解。演化算法是一類模擬自然界遺傳進(jìn)化規(guī)律的仿生學(xué)搜索算法，它可以處理傳統(tǒng)方法難以解決的高度復(fù)雜非線性問題。其中的遺傳算法是啟發(fā)于“優(yōu)勝劣汰，適者生存”的自然界物種法則，因其搜索策略和優(yōu)化計算時不依賴梯度信息，它在各個領(lǐng)域有著非常廣泛的應(yīng)用。圖1為遺傳算法的基本流程，其中選擇、交叉和變異是種群逐步進(jìn)化收斂的關(guān)鍵步驟，也是整個算法的核心。

圖1 遺傳算法基本流程

（3）模式識別。模式識別是借助數(shù)學(xué)模型和計算機(jī)手段，研究和模擬人類識別語音、圖形、文字、符號等能力的一門學(xué)科[2]。其過程主要包括：利用各種傳感器把被研究對象的各種信息轉(zhuǎn)換為機(jī)器可以識別的數(shù)值或者符號集合；消除采集到數(shù)據(jù)信息中的噪聲，僅提取與關(guān)鍵特征有關(guān)的數(shù)據(jù)信息；從過濾后的數(shù)據(jù)中衍生、分析出有效信息，得到更加直接的特征參數(shù)值；模式分類或模型匹配，可以依據(jù)已知分類或描述的模式集合進(jìn)行有監(jiān)督學(xué)習(xí)，也可以基于模式的統(tǒng)計規(guī)律或模式相似性學(xué)習(xí)判斷模式的類別，從而進(jìn)行無監(jiān)督學(xué)習(xí)，最終輸出對象所屬類型或模式編號。常見的模式識別的方法主要包括統(tǒng)計模式識別、句法結(jié)構(gòu)模式識別、模糊模式識別、模板匹配模式識別、支持向量機(jī)模式識別、人工神經(jīng)網(wǎng)絡(luò)模式識別等。圖2介紹了一種典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

（4）分布式人工智能。分布式人工智能（DAI）是人工智能與分布式計算結(jié)合的產(chǎn)物，其目的主要是完成多任務(wù)系統(tǒng)和求解各種具有明確目標(biāo)的問題。多智能體系統(tǒng)（MAS）是分布式人工智能最重要的研究領(lǐng)域之一，系統(tǒng)內(nèi)多個智能體（Agent）具有感知、通信、協(xié)作、推理、判斷、學(xué)習(xí)、反饋等功能屬性，同時每個智能體具有其本身的目標(biāo)和意愿。通常復(fù)雜系統(tǒng)的多目標(biāo)求解問題被逐層劃分為復(fù)雜程度相對較低的子問題，再由不同智能體經(jīng)過溝通協(xié)作和自主決策完成。分布式人工智能由于克服單個智能機(jī)器資源和能力缺乏以及功能單一等局限性，具備并行、開放、容錯等優(yōu)勢，已獲得越來越廣泛的關(guān)注。

人工智能技術(shù)在制造業(yè)的應(yīng)用

由于人工智能系統(tǒng)具有自我學(xué)習(xí)、自我控制和自適環(huán)境等能力，它已經(jīng)廣泛地應(yīng)用到包括制造業(yè)在內(nèi)的各行各業(yè)中。以人工智能為基礎(chǔ)的智能制造技術(shù)在產(chǎn)品的設(shè)計與加工、工藝規(guī)劃、任務(wù)調(diào)度、測量裝置與系統(tǒng)、人機(jī)協(xié)作和制造企業(yè)的管理等各個制造階段都有了深入的應(yīng)用，實現(xiàn)了產(chǎn)品生產(chǎn)效率和質(zhì)量的提高。

圖2 典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1 智能設(shè)計與加工

產(chǎn)品的設(shè)計是一項具有創(chuàng)造力的智能活動，是一個綜合決策、迭代、尋優(yōu)的過程[3]。人工智能在現(xiàn)代產(chǎn)品設(shè)計領(lǐng)域的應(yīng)用，使得傳統(tǒng)的連續(xù)變量設(shè)計與混合離散變量設(shè)計模式向隨機(jī)變量與模糊變量優(yōu)化設(shè)計模式轉(zhuǎn)變。利用模糊數(shù)學(xué)等理論，可以將機(jī)械設(shè)計中不精確的經(jīng)驗數(shù)據(jù)與海量實測數(shù)據(jù)進(jìn)行簡化，同時利用啟發(fā)式算法、遺傳算法、蟻群算法等技術(shù)可實現(xiàn)產(chǎn)品在設(shè)計階段的性能模擬、運(yùn)動分析、功能仿真與評價，最大程度滿足產(chǎn)品設(shè)計自動化和智能化的要求。

另一方面，隨著各種制造產(chǎn)品功能多樣性需求的提高，產(chǎn)品加工的難度也隨之增加，一般具有非線性和時變性等特點，因此加工過程的關(guān)鍵特性很難用精確的數(shù)學(xué)模型描述。利用人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織和良好的知識隱式表達(dá)能力，可以構(gòu)造產(chǎn)品加工過程性能參數(shù)預(yù)測模型，并跟蹤加工過程的變化。例如，在刀具狀態(tài)監(jiān)控上，有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)可以在加工過程中對刀具狀態(tài)進(jìn)行自動識別；而利用無監(jiān)督的神經(jīng)網(wǎng)絡(luò)對刀具狀態(tài)監(jiān)測，其結(jié)果的收斂速度更快，同時系統(tǒng)具有更高的自組織性、自適應(yīng)性和柔性[3]。

2 智能機(jī)器人

作為人工智能研究領(lǐng)域的一個重要分支，機(jī)器人和機(jī)器人學(xué)已經(jīng)受到學(xué)術(shù)界和企業(yè)界的廣泛關(guān)注與重視?，F(xiàn)代制造系統(tǒng)中任務(wù)復(fù)雜程度的增加以及作業(yè)環(huán)境的多變，要求機(jī)器人必須從最初的工業(yè)機(jī)械手向智能機(jī)器人進(jìn)化。每個機(jī)器人就是一個獨(dú)立的智能系統(tǒng)，需要具有感知、決策和執(zhí)行的能力。同時很多復(fù)雜的任務(wù)需要多機(jī)器人共同完成，相關(guān)協(xié)同管控技術(shù)方面也有很高要求。模式識別、機(jī)器學(xué)習(xí)、專家系統(tǒng)和多智能體系統(tǒng)等技術(shù)在機(jī)器人領(lǐng)域應(yīng)用較為深入。

模式識別技術(shù)廣泛應(yīng)用在機(jī)器人的感知方面，使機(jī)器人可以通過“感官”接受外部信息，并識別和理解這些信息，包括文字、圖像、聲音等。一般來說，模式識別需要經(jīng)歷模式信息采集、預(yù)處理、特征或基元提取、模式分類等幾個步驟[4]。

機(jī)器學(xué)習(xí)技術(shù)可幫助機(jī)器人不斷對環(huán)境的改變進(jìn)行解讀，并對自身動作進(jìn)行規(guī)劃和決策，使其在動態(tài)多變的環(huán)境中不斷進(jìn)行自我學(xué)習(xí)和提高，從而完成復(fù)雜的任務(wù)。機(jī)器學(xué)習(xí)基本可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)2類：有監(jiān)督學(xué)習(xí)通常是在提供了明確的輸入輸出時使用，如神經(jīng)網(wǎng)絡(luò)和決策樹等；無監(jiān)督學(xué)習(xí)則是在不能提供準(zhǔn)確的輸入輸出情況下使用，如進(jìn)化學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等。例如，蟻群算法、遺傳算法常被用在機(jī)器人路徑規(guī)劃上，使機(jī)器人在一定條件約束下，能迅速找到其從起始狀態(tài)到最終狀態(tài)的最優(yōu)或接近最優(yōu)路徑[5]。

另外，由于機(jī)器人動力學(xué)的非線性、時變性、多關(guān)節(jié)強(qiáng)耦合和變慣量等復(fù)雜性，以至其動態(tài)控制模型的參數(shù)和類型需要通過大量計算得出，而完成如此巨大的計算量所用的時間完全無法滿足機(jī)器人在實際中需要的反應(yīng)速度。如圖3所示[6]，基于規(guī)則和推理的專家系統(tǒng)與常規(guī)控制相結(jié)合，可以大幅度減少機(jī)器人在控制決策方面的計算量，從而幫助機(jī)器人提高其整體反應(yīng)速度。

圖3 機(jī)器人控制專家系統(tǒng)

分布式多智能體系統(tǒng)（MAS）技術(shù)在多機(jī)器人系統(tǒng)中充分發(fā)揮優(yōu)勢。單Agent的建模方法、Agent之間的通信協(xié)議、協(xié)商策略以及整個系統(tǒng)的拓?fù)浣Y(jié)構(gòu)、組織方式都可以直接用在多機(jī)器人系統(tǒng)中，解決不同機(jī)器人協(xié)同工作中遇到的相同問題。

3 智能工藝規(guī)劃

由于數(shù)控機(jī)床、可重構(gòu)工裝、自動鉆鉚等先進(jìn)制造裝備的技術(shù)研究和廣泛應(yīng)用，使得制造工藝路線的柔性和加工效率有了大幅提高，但由于制造產(chǎn)品趨于多品種、小批量的動態(tài)需求，產(chǎn)品工藝規(guī)劃的復(fù)雜程度越來越高，傳統(tǒng)的計算機(jī)輔助工藝規(guī)劃（CAPP）方法無法對用戶訂單的更改、內(nèi)部設(shè)備的增添等制造環(huán)境的變化做出快速響應(yīng)。因此，人工智能的方法被廣泛使用在產(chǎn)品加工制造的自動規(guī)劃中[7]。

知識庫的建立與管理是人工智能在CAPP中應(yīng)用最多的領(lǐng)域?；趯＜蚁到y(tǒng)，通過工藝設(shè)計知識庫、工藝決策方法庫及加工資源庫完成各種任務(wù)的決策，同時利用專家系統(tǒng)良好的人際交互功能，可對接收到的信息進(jìn)行推理[8]。有些復(fù)雜的工藝知識模糊性和不確定性較強(qiáng)，如工序的選擇、特殊工序的安排、定位裝夾方案選擇等，可以利用模糊邏輯、遺傳算法等其他技術(shù)與專家系統(tǒng)結(jié)合的方式對問題進(jìn)行建模和求解[9]。

4 智能調(diào)度

制造系統(tǒng)的生產(chǎn)調(diào)度一般具有多目標(biāo)性、不確定性和高度復(fù)雜性等特點，車間級調(diào)度優(yōu)化問題屬于典型的NP-Hard問題，即利用傳統(tǒng)的手段無法在可接受的時間內(nèi)找到問題的最優(yōu)解。借助人工智能的優(yōu)化方法，或人工智能與運(yùn)籌學(xué)結(jié)合的優(yōu)化方法，可以較好地解決這類問題。

人工智能在調(diào)度問題上的應(yīng)用主要分為集中式和分布式2類，集中式方法利用專家系統(tǒng)、遺傳算法、模糊邏輯等方法極大地加快了對解空間檢索的速度，例如人工神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練使網(wǎng)絡(luò)能正確地根據(jù)生產(chǎn)特征選擇合適的調(diào)度策略和評價指標(biāo)；專家系統(tǒng)利用知識庫與推理機(jī)，可在決策處理過程中同時采用定性和定量的知識，生成啟發(fā)式規(guī)則，并在整個車間信息基礎(chǔ)上選擇最優(yōu)規(guī)則。

然而，集中式人工智能方法僅僅加快了復(fù)雜問題求解的速度，但因其并不具備足夠的柔性與魯棒性，所以并未從實質(zhì)上解決這類問題。相反，分布式方法主要基于多智能體系統(tǒng)（MAS），以及MAS與蟻群算法、遺傳算法等其他人工智能技術(shù)相結(jié)合的方法，利用問題分解、彼此協(xié)商、任務(wù)指派、解決沖突等步驟，有效地將復(fù)雜的問題簡化，并利用智能體自主和協(xié)作的特性，在系統(tǒng)總目標(biāo)的指引下單獨(dú)求解子問題[10]。圖4展示了典型的基于MAS的推拉結(jié)合模式的生產(chǎn)計劃調(diào)度與控制系統(tǒng)[11]。

5 智能測量

一般的專用測量裝置和系統(tǒng)在處理輸入信號時，普遍采用建立確定的數(shù)學(xué)模型并使用規(guī)范的數(shù)學(xué)算法，但由于算法的復(fù)雜性和難度，導(dǎo)致在某些情況下無法對問題進(jìn)行規(guī)范化的說明和表達(dá)，如測量結(jié)果的有效性驗證、特定環(huán)境下最適宜量程的自動選擇和零點的自動校準(zhǔn)等[12]。隨著通信技術(shù)和人工智能技術(shù)在測量裝置和系統(tǒng)中的廣泛使用，上述問題正在被逐步解決。應(yīng)用人工智能技術(shù)，可對當(dāng)前和歷史數(shù)據(jù)信息進(jìn)行智能分析與處理，從不同層次上對測量過程進(jìn)行抽象，提高現(xiàn)有測量系統(tǒng)的性能和效率，擴(kuò)展傳統(tǒng)測量的功能[13]。

人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法等技術(shù)可以用在多傳感器融合方面，對來自多個傳感器的數(shù)據(jù)進(jìn)行綜合處理。例如：采用自組織映射網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)行分類和識別，將傳統(tǒng)方法的全程擬合化為分段擬合，使算法的復(fù)雜度大幅降低，從而提高信號識別率[14]。同時，當(dāng)傳感器出現(xiàn)短暫故障時，利用人工智能技術(shù)可以及時發(fā)現(xiàn)、警報、隔離相應(yīng)故障并發(fā)出啟動備用器件的信號，還可以利用其它可用信息進(jìn)行計算和推理，盡量彌補(bǔ)丟失的數(shù)據(jù)。

6 智能人機(jī)協(xié)作

對于智能制造系統(tǒng)來說，實現(xiàn)徹底的無人化并不是其最終需要或者說希望達(dá)成的目標(biāo)，而是制造設(shè)備資源能夠和操作人員通力協(xié)作、取長補(bǔ)短，共同組成智能系統(tǒng)，以最高效、最高質(zhì)量的方式完成任務(wù)。與一般的“人機(jī)工程學(xué)”不同，人機(jī)在智能交互的過程中處于相對平等的地位，有時工人需要借助智能機(jī)器或系統(tǒng)的幫助來完成一些復(fù)雜程度較高的決策，或是完全由機(jī)器下發(fā)指令給工人，讓其完成一些自動化不易實現(xiàn)的工序，如劃線定位、產(chǎn)品翻面、夾具裝卸等。另一方面，有些僅憑常識或經(jīng)驗就能解決的復(fù)雜程度較低的問題，操作工人也會通過交互的方式告訴系統(tǒng)，免去繁雜的感知、計算和分析過程，提高制造系統(tǒng)整體運(yùn)行效率。

7 智能管理

由于傳統(tǒng)的企業(yè)管理系統(tǒng)無法滿足現(xiàn)代制造企業(yè)中各種管理流程和業(yè)務(wù)流程結(jié)構(gòu)的復(fù)雜性與多變性，尤其是處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的問題[15]。利用知識庫、專家系統(tǒng)和決策支持系統(tǒng)等手段，可以建立人工智能應(yīng)用平臺，綜合分析各類內(nèi)部和外部的動態(tài)數(shù)據(jù)，參考已有的知識與規(guī)則，幫助企業(yè)管理層提供及時的決策支持，減少因決策失誤導(dǎo)致的各種風(fēng)險與浪費(fèi)，提高企業(yè)綜合競爭力。

結(jié)束語

隨著傳感器、射頻識別等感知技術(shù)和網(wǎng)絡(luò)通信技術(shù)的蓬勃發(fā)展，經(jīng)過幾十年孕育的各類人工智能技術(shù)開始紛紛跳出理論書本，逐步將其優(yōu)勢真正地發(fā)揮到實際的生產(chǎn)制造中。智能制造作為各國在新一輪制造改革熱潮中最關(guān)心的話題，必然在未來的幾年得到極大發(fā)展。完善人工智能技術(shù)的理論研究，同時將成熟的人工智能理論用在復(fù)雜制造系統(tǒng)中的各個環(huán)節(jié)，才能真正地實現(xiàn)智能制造。

圖4 基于MAS推拉結(jié)合模式的生產(chǎn)計劃與控制系統(tǒng)結(jié)構(gòu)

[1]鐘義信. 人工智能的突破與科學(xué)方法的創(chuàng)新. 模式識別與人工智能，2012，25(3)∶ 456-461.

[2]范會敏，王浩. 模式識別方法概述 . 電子設(shè)計工程，2012， 19(2)∶48-51.

[3]陳超. 人工智能在制造業(yè)中的應(yīng)用. 機(jī)械設(shè)計與制造，2006，1(1)∶ 161-163.

[4]夏魯剛. 機(jī)器人智能控制方法研究及控制器設(shè)計. 機(jī)械工程師，2006(12)∶47-49.

[5]張穎，吳成東，原寶龍. 機(jī)器人路徑規(guī)劃方法綜述. 控制工程，2003，10(S)∶ 152-155.

[6]陳建平，任斌，張會章. 人工智能在智能機(jī)器人領(lǐng)域中的研究與應(yīng)用. 東莞理工學(xué)院學(xué)報，2008，15(3)∶33-37.

[7]田穎，江平宇，周光輝，等.基于蟻群算法的零件多工藝路線決策方法研究. 計算機(jī)集成制造系統(tǒng)，2006，12(6)∶882-887.

[8]何新貴. 知識處理與專家系統(tǒng). 北京∶國防工業(yè)出版社，1995∶10-40.

[9]范順成，王進(jìn)峰，李世杰.基于遺傳算法的工藝路線決策與優(yōu)化 . 制造技術(shù)與機(jī)床，2012，3∶95-99.

[10]胡祥培，孫麗君，王征. 基于物聯(lián)網(wǎng)的在線智能調(diào)度方法的相關(guān)思考 . 管理科學(xué)，2015，28(2)∶ 137-144.

[11]張潔. 基于Agent的制造系統(tǒng)調(diào)度與控制.北京：國防工業(yè)出版社，2013.

[12]王毅，侯雄坡，鐘國輝. 人工智能技術(shù)在儀器與測量中的應(yīng)用.西安交通大學(xué)學(xué)報，2002，36(3)∶ 318-321,327.

[13]Alippi C，F(xiàn)errero A， Piuri V. Artificial intelligence for instruments& measurement application. IEEE Instrumentation &Measurement Magazine，1998，2(2)∶6-8 .

[14]劉同明，夏祖勛，解洪成.數(shù)據(jù)融合技術(shù)及其應(yīng)用. 北京∶ 國防工業(yè)出版社，1998 .

[15]劉玉然. 談?wù)勅斯ぶ悄茉谄髽I(yè)管理中的應(yīng)用. 價值工程，2003，4∶95-96.