英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
一种新颖的基于迭代优化的仿真（iOS）框架：
一种用来优化系统性能的有效工具
摘要：
在此论文中，提出了独特的基于迭代优化的仿真（IOS）框架，其中包括模拟、优化和数据库管理的三者集合有了这个iOS模型，操作层面会经常发生优化，以便在模拟运行期间优化系统变量。也就是说，一个触发事件暂时暂停模拟并向优化管理器发出信号，来优化系统的状态，同时将包含系统状态参数的系统快照传输到数据库。优化管理器将这些数据用作分析建模的输入，并根据系统的目标、限制和更新状态来解决问题。该框架使用更新的参数自动重建数学模型，优化管理器在一定时间内找到解决问题的方案，然后基于此更新数据库，开始继续进行模拟。系统中的每个触发事件都会重复此循环，一直到模拟时间在控制范围内。从业人员可以利用这个iOS模型系统进行多次模拟运行，根据事先预测的可能发生事件对其进行多次优化。采用案例研究对所提出的iOS框架的性能进行评估，并将其结果与基于仿真的优化（SBO）进行比较。
1、引言
自成立以来，仿真一直是解决许多现实世界中复杂问题的流行方法（Dehghanimohammadabadi,2016;Kiran,1998）。仿真使用户能够通过创建“假设”情景来评估他们的系统，从而在现实使用前优化系统行为分析和决策制定能力（April, Better, Glover, Kelly, amp; Laguna, 2006）。由于模拟参数相近，因此优选法可以提供一种用来评估模拟替代品优越性来确定最佳模型配置的方法。因此，一种有前景的研究方法就是仿真结合优化的方法。
在处理高度随机的大型复杂系统时，模拟优化（SO）优于近似的确定性程序（Lin＆Chen，2015）。混合SO的方法解决了数学优化方法没有考虑到达传统系统的不确定性和复杂性。研究报告（Klemmt，Horn，Weigert，＆Wolter，2009）所示，对于小而复杂的问题，数学建模优于SO，而随着问题规模和复杂性的增加，传统的数学优化难以找到最佳解决方案。因此，对于大而复杂的问题，SO方法成为了一种比较实用的选择。此外，由于存在不确定性和未知事件，数学模型难以用合理的精度来应对复杂系统中的挑战(Chai, Qin, amp; Wang, 2014;Figueira amp; Almada-Lobo, 2014;Syberfeldt, Karlsson, Ng,Svantesson, amp; Almgren, 2013)。实际上，SO模型是实施NP难题的先导，用来试图解决系统原有的不确定性。从根本上来说，数学模型适用于确定性系统，而SO模型更适合于具有许多细节的复杂和随机系统 (Gouml;ccedil;ken,
Dosdog ˘ru, Boru, amp; Geyik, 2017)。换句话说，系统越是随机，能够使用的数学模型就越少，SO模型就成了潜在的选择。
SO方法不仅适用于随机系统，而且适用于完全确定性的系统。在一些确定性系统中，一个主要挑战是考虑过程中非线性关系和质量方面的问题（Figueira＆Almada-Lobo，2014）。SO模型能够考虑系统的非线性关系、动力学和质量方面的问题（Figueira＆Almada-Lobo，2014），并能够尽可能的简化假设条件，因此，在这些系统中，建立真正的数学模型解析表达式的过程很复杂。SO模型是处理系统复杂性的一个合适的替代品，它的数学复杂性不高并且工作量和成本比较合理。经研究发现，Albey和Bilge（2011）以及Subramanian，Pekny和Reklaitis（2001）都是用SO研究完全确定性系统的例子。
这些好处使得它成为一个强大的决策工具，可以用于建模各种实体和资源之间具有错综复杂关系的现实世界系统，并为之制定好的或最佳的系统设计（Lin＆Chen，2015; Lin，Sir，＆Pasupathy，2013）。
随着计算能力的快速发展，SO模型已经发展并应用于各个行业，如制造业，供应链管理，风险评估和医疗保健等等(Ahmed amp; Alkhamis, 2009; Bamakan amp;Dehghanimohammadabadi, 2015; Better, Glover, Kochenberger, amp;Wang, 2008; Truong amp; Azadivar, 2003)。这项研究提出了一个通过嵌入内涵模拟管理的优化模块来提高系统性能的新型SO模型，在下面部分中，主要的SO模型将被简要回顾来展示对于SO模型的更全面的理解，随后将讨论所提出的SO模型的创新点及其能力。
1.1仿真优化（SO）模型
自计算机计算能力的发明和演变以来，仿真和优化的整合已经取得了显著的成效。Figueira和Almada-Lobo（2014）曾将文献中提出的全部SO方法进行分类。根据这项研究，两种主要的SO方法是：解决方案评估（SE）方法和解决方案生成（SG）方法。
在SE方法中，SO提供了一种根据与仿真模型相关的输出变量（稳态或瞬态）来执行优化的结构化方法来优化系统参数 (Swisher, Hyden,Jacobson, amp; Schruben, 2004)。如图1所示，在SE方法中，模拟探索大量场景（X）并相应地实现不同的性能度量（Y），这形成了可行的解决方案。 在相对较小的模型中，所有可行解中的搜索都可以手动完成，但随着系统复杂性的增加，手动方法无法提供最优/近似最优解。因此，优化方法应与模拟一起运行，以自动搜索可行解，并在一定的时间内实现最优或近似最优解（X），包括统计选择方法（SSM），启发式（MH）等在内的各种优化方法都与仿真相结合。 由于这些技术与本研究没有密切关系，因此我们将感兴趣的读者转介给Figueira和AlmadaLobo（2014）以了解更多细节。
如前所述，在SE方法中，通过收集不同模拟模型替代方案的性能测量值来生成大量解决方案，最佳选择是在优化管理器对模拟解决方案进行全面评估后选定的。但是，在某种情况下，这些计算不仅可能非常密集，而且对于某些特定问题，模拟反馈可能对于选择最佳替代方案没有特别的帮助。在这些情况下，模拟解析模型的解决方案（基于优化的模拟），以便计算所有有用的变量。这些方法被称为“解决方案生成”（SG）方法。 在SG中，模拟的目的不是比较解决方案，而是简单地计算有用的几个变量，使之成为整个解决方案生成的一部分(Figueira amp; Almada-Lobo, 2014)。
基于迭代优化的仿真（IOS）是优化结合仿真系统中的SG方法之一。在iOS方法中，为了在模拟运行期间优化系统状态变量的组合，模型的运行级别会不断优化。如图2所示，仿真暂时停止并将系统的状态转移到优化管理器以分析解决问题。这个问题是根据当前系统的状态制定的。 一旦找到最佳解决方案，仿真将根据发现的最优解决方案重新配置系统并继续运行。 重复优化和仿真之间的迭代过程，直到满足仿真停止标准。这项研究通过集成仿真，优化和数据库管理器的三重集成开发了一种新的IOS模型。 该模型的设计足够适应各种系统性能偏差，可以通过极限图，阈值或事件进行监控。 每当检测到任何这些系统行为的事件时，就会调用优化管理器来以一个最优方案解决问题。因此，该平台为从业人员提供了评估其所需系统的短期或长期性能的独特功能，而在仿真运行期间，该平台已多次优化。
1.2目的与意义
模拟和优化方法的结合是一个卓有成效的结合，它解决了很多研究问题，关于仿真的文献也显示了将混合SO建模作为应对复杂企业范围系统的方法这种趋势(Jahangirian, Eldabi, Naseer, Stergioulas, amp; Young, 2010)，iOS法在文献中相对较少(Dehghanimohammadabadi amp; Keyser, 2015)。现有的iOS研究显示了iOS的具体应用和它高度自定义以及所受到用户需求的限制，因此，这些iOS模型中使用的所有优化方法都是独特的，并且在仿真模型和环境发生实质性变化时不适用。更重要的是，正如前面部分详细讨论的那样，当前iOS模型可以在系统某些预定义事件发生时优化配置，但是无法在不可预知的事件发生时触发优化。
基于SO文献中的差距，本次研究提出一个通用的IOS框架的目标是：
- 解决各种复杂系统如制造业、医疗保健、供应链中的复杂性和不确定性
- 使仿真环境根据需要选择多种优化方法，如数学建模、Metaheuristics或者商业优化包
- 提高在模拟运行中发生可预测事件（循环基础）或不可预知（事件驱动基础）事件时的优化能力
本文的其余部分的安排如下，有关最新SO方法的文献在第2部分中进行了审查，第3部分主要概述iOS的详细框架设计方案以及不同部分的结构，第4部分讨论了其实施的程序以及好处，第5部分将展示一个制造系统的数字案例研究，并对其结果进行分析，第6部分对关于建议iOS框架的突出方面的讨论进行总结。
- 文献综述
1996年，Shapiro（1996）采用蒙特卡洛模拟方法，建立了一个SO模型来优化GI / G / 1问题的期望值函数。计算能力的进步使研究人员能够通过优化来解决更大的问题，从而改进集成模拟（Law＆McComas，2002）。4月，Glover，Kelly和Laguna（2003）提出了两个SO模型的实例，通过引入OptQuest来改善医院紧急情况以及保险公司的客房和人员配置水平。从那以后，SO成为了一个广泛的工具，不仅能够用于学术研究，还可以用于商业应用（Angelidis，Bohn和Rose，2012）。目前，SO方法可广泛的用于各种学科，如制造业，供应链管理，医疗保健，运输，服务，金融等等。
还有一些研究表明，他们将多目标优化方法与模拟相结合，以同时解决不确定性和决策问题。 Zhou，Pan，Chen和Yang（2013）使用多目标遗传算法（MOGA），结合DES模型来优化绿色生产方案。
由于本研究旨在开发新的IOS框架，所以对现有的IOS研究进行审查和讨论。 这里提供的IOS研究是那些如上所述的功能。还有许多其他出版物将其框架标注为IOS，但主要为解决方案评估而开发，这不是本研究的兴趣所在。
Jeong（2000）是第一篇试图引入基于条件的事件IOS的论文。 作者开发了基于优化仿真的详细系统架构调度系统（OSBSS）。 作者从仿真引擎功能的角度指出了系统架构和实现问题。 OSBSS试图通过使用人工智能（AI）搜索技术在仿真优化器的帮助下找到优化的时间表。 在此框架中，优化器模块与仿真模块交互式通信以识别改进的调度规则。 优化器模块向仿真模型提供一组可行的解决方案，直到这些可行的解决方案满足预定的性能标准。 该模型是基于条件和响应的规则。 一旦条件满足，模拟模块将有效地处理调度。
Subramanian，Pekny和Reklaitis（2000）使用IOS的方法来解决管理研究与开发（R＆D）有关管道问题的随机优化法（跨项目管理所有与具有有限资源池的特定目标相关的任务）。他们利用这种方法在随机情况下，即在任务持续时间、任务资源需求和任务成功方面增加了不确定行考虑管道系统的预期净现值（ENPV)作为目标函数。Subramanian等人通过开发双循环计算架构来扩展他们的早期工作，该架构集成了数学编程和离散事件模拟，以解决研发流程管理（Subramanian，Pekny，Reklaitis和Blau，2003）。这种计算架构的内部循环确实对时间线进行了仿真优化，之后可以在外部循环中进行拟合，称为风险控制循环。后者在潜在的随机优化问题的解决方案中得到了改进。
Gupta和Sivakumar提出了一种结合了模拟和调度概念的联合模拟调度（CSS）方案 (Gupta amp; Sivakumar, 2005)。在这种方案中，一旦资源被释放，就必须选择新的作业作为该资源的下一个操作，在这个决策点上，工作再次完成，仿真时钟就向前移动，这种基于仿真的调度方法与iOS概念非常相似。然而，因为调度计几乎是一时一个地执行，所有这种方法不能被视为基于事件驱动的iOS，但正如作者所说，在一些特殊情况下，如机器故障，热门工作等，CSS可以作为分析工具来处理生产计划，在这项研究中，基于仿真的调度是基于调度规则而不是启发式搜索方法或数学规划。
Mejtsky（2007）描述了一种用于仿真优化的元启发式算法，它可以同时执行仿真运行，并在到达结束之前评估其执行过程中的不同仿真运行。该算法利用反映优化问题决策树的分支方法，详细阐述了Pruning阶段，该阶段控制并发仿真模型的数量。当模型数量达到仿真时的最大允许模型水平时，修剪事件会清除“坏”模型并将“友好”模型返回到目标函数，该算法的应用是针对旅行推销员和作业车间调度问题提出的。Kulkarni和Venkateswaran（2014）开发了一种迭代仿真和优化方法，其中包括一个离散事件仿真模型与一个基于元启发式的求解器接口。Sivakumar（2001）设计、开发并实现了基于离散事件仿真的在线近实时动态多目标调度系统。该模型以实现帕累托最优循环时间分配和机器利用率的方式动态生成计划。在他们的模型中，对于短期分析，仿真是通过使用具有定义的规则和策略的确定性方法启动的。该框架的概念和解决方案已在半导体后端站点中成功验证。
如上所述，所有以前的研究都显示了IOS的具体应用，并且它们都是根据预定义的用户需求定制和限制的。本研究旨在从某种意义上引入通用IOS框架，该框架可应用于任何具有任何优化要求的仿真模型。除模拟引擎外，根据模型设置和要求，可以在单次模拟运行中多次优化系统配置。
lt;
全文共25969字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8974]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
