A memetic ant colony system algorithm for multiple machine scheduling in additive manufacturing with orientation selection of parts and energy costs ​

想象一下这样一个工厂车间：机器不再是通过切削材料来塑造零件，而是根据数字蓝图，逐层构建零件。这就是增材制造，通常被称为3D打印，它彻底改变了我们制造从飞机零部件到医疗植入物等各种产品的过程。由于这些机器可以在无需模具的情况下生产复杂形状，因此它们提供了惊人的灵活性。然而，这种灵活性也带来了一个物流难题。当一个工厂同时运行多台这样的机器，且需要生产大量不同的零件时，管理者必须同时决定两件困难的事情：哪些零件应该被组合在一起进行单次批量打印，以及这些零件应该如何在机器平台上进行旋转，以便尽可能多地容纳零件。此外，这些机器是“电老虎”；用于熔化材料的激光和加热器消耗大量的电力，使得运行成本成为环境和企业底线关注的主要问题。

多年来，研究人员一直试图解决这个调度难题，主要侧重于如何尽可能快地完成工作。他们开发了各种计算机程序，以确定将零件打包进批次以及分配给机器的最佳方式。然而，研究中仍存在一个显著的空白。大多数研究忽略了一个事实，即单个零件通常可以有多种不同的打印方向，每种方向都会改变它所占用的空间和消耗的能量。此外，很少有研究在优先考虑节能而非节省时间方面做文章，尽管能源成本正在上升，且可持续性正成为现代工业的关键目标。

来自西班牙塞维利亚大学的一个研究小组现在通过一种结合了两种强大计算策略的新方法解决了这一复杂问题。他们创建了一种复杂的算法，旨在处理高效打包零件和最小化打印所需能量的双重挑战。他们称之为“模因蚁群系统”（memetic ant colony system）的方法，其灵感源自真实的蚁群如何寻找通往食物的最短路径。在自然界中，蚂蚁会留下一种被称为“信息素”的化学轨迹；越多蚂蚁走过一条成功的路径，气味就越浓，从而引导其他蚂蚁跟随。研究人员将这种行为转化为计算机程序，让虚拟的“蚂蚁”去探索数百万种分组和旋转零件的可能性。随着程序的运行，它会学习哪些零件组合和旋转方式能带来最佳结果，从而强化这些成功的模式，并舍弃那些低效的模式。

为了使该系统更加有效，研究人员加入了第二层智能。一旦虚拟蚂蚁提出了一个方案，局部搜索程序就会介入进行微调。这一步骤就像一位细致的检查员，进行细微的调整——例如旋转单个零件或在两个批次之间交换两个零件——以观察是否能进一步降低能量成本。通过将蚁群方法的广泛探索与这种精确的局部优化相结合，该算法能够在这类机器调度涉及的海量可能性中进行导航，而不会陷入次优解。

团队使用广泛的场景测试了他们的新算法，包括以往研究中的标准测试用例，以及新的、更复杂的场景（其中零件可以有两种或三种不同的方向）。他们将结果与现有方法中已知的最佳方案以及已知能找到完美答案但运行速度过慢的精确数学模型进行了对比。结果令人瞩目。在旨在最小化平均生产成本的测试中，新算法在近一半的案例中找到了比现有方法更好的解决方案，并在其余案例中达到了最佳水平。当目标是尽可能快地完成工作时，该算法再次表现优于以往的方法，为许多测试用例找到了更快的进度表。

或许最重要的发现与能量有关。当研究人员允许算法为每个零件选择多种方向时，节能效果非常显著。在有两种可选方向的场景下，平均能量成本下降了约3.3%。当有三种方向可用时，节省程度增加到接近6%。在某些涉及三台机器的具体案例中，降幅高达9.5%。这些数字乍看之下可能很小，但在机器持续运转的工业环境中，这种降幅意味着电费的大幅节省以及制造过程中碳足迹的显著降低。

研究还揭示了一个重要的权衡。当调度严格侧重于尽快完成任务时，能量成本往往会飙升，与专门为节能设计的调度相比，平均增加了20%以上。在涉及六台机器的最极端情况下，由于优先考虑速度而导致的能量惩罚可能达到36%。这一发现表明，仅仅尝试更快地打印并不总是最有效的策略。相反，一种兼顾时间和能量、并利用零件旋转灵活性的平衡方法，才是更明智的前进道路。

研究人员通过在标准计算机处理器上运行算法验证了他们的发现，在短短几分钟或几小时内就完成了复杂的计算，而精确的数学模型往往无法在合理的时间内找到解决方案。这证明了新方法不仅有效，而且对于需要快速决策的现实工厂来说也非常实用。通过证明考虑替代零件方向可以显著降低能量成本而不牺牲速度，这项工作为寻求让增材生产线更具可持续性和成本效益的制造商提供了一条清晰的路线图。研究结论指出，尽管调度这些机器的问题极其复杂，但通过智能搜索与局部优化的正确结合，可以释放出此前难以触及的效率。