仿真优化已成为复杂系统优化设计的重要手段,但在实际应用中,它存在一些缺陷。一方面,由于每次生成的设计参数都需要通过仿真系统进行目标评估,使得系统仅在仿真进程中就要消耗相当多的时间。如果设计参数的响应曲面比较复杂,规模比较大,则仿真优化的时间消耗将呈几何增长;另一方面,在制造单元控制中存在一类逆向求解问题,即根据用户提出的设计目标,由系统求解出仿真模型的各个设计参数,但传统仿真优化无法实现这种逆向求解功能。为了解决以上两方面问题,本文在分析前人成果的基础上,研究并开发了面向制造系统的仿真优化加速求解器,提高了仿真优化速度,实现了对制造系统仿真模型的逆向求解功能。论文的具体研究内容如下:论文首先提出了仿真优化加速求解器的理论框架和体系结构。该加速求解器的核心思想是以训练完成的神经网络替代实际仿真模型作为设计参数的目标输出,由于神经网络响应的瞬态性使得仿真优化所消耗的时间大大减少,实现了对仿真优化的加速功能,同时,设计了基于实例推理与基于规则推理相结合的逆向求解机制,实现了对制造系统仿真模型的逆向求解功能;其次,对该加速求解器所涉及的几项关键技术进行了研究,包括神经网络引擎和逆向求解机制的设计、样本数据的预处理及制造单元样本特性的设计等。最后,基于VC++6.0和Delmia公司的QUEST 5.0制造系统仿真平台,开发了仿真优化加速求解器,并通过具体实例对该加速求解器进行了应用验证。