本文档着重于进一步分析具有不同范式的人工智能，其中最相关的是神经网络，遗传算法，模糊逻辑系统和可编程自动机，它们在日常生活中具有不同的应用，并且更具体地应用于解决与工业工程相关的问题。
人们认为，当今时代的生产可以得到人工智能等新技术的高度支持，这些新技术既可以支持更有效的决策制定，也可以辅助需要大量时间或代表工作的任务或任务对人类的高度危险。
关键字：人工智能，神经网络，遗传算法，模糊逻辑系统，生产。
人工智能在生产中的应用问题介绍
人工智能是研究领域，其中开发了算法来控制事物，这就是1956年如何建立基础以充当独立的计算领域的基础。
随着科学的发展，已经进行了许多研究和应用，其中我们将神经网络应用于质量控制，其中神经网络评估某种产品是否满足要求的规格，从而控制化学过程。酸度的程度，遗传算法应用于处理M机器中N个工作分配的设施分配的二次问题，用于生产系统优化的可编程自动机，简而言之，关于该科学的应用。
人工智能的历史
人工智能的起源可以通过McCulloch&Pitts给出的形式神经元的定义来定位，它是具有多个输入和输出的二进制设备。
早在1956年，约翰·麦卡锡（John McCarthy）就在麻省理工学院触及了人工智能（AI）主题，当时达特茅斯会议在美国汉诺威举行。在这场竞赛中，麦卡锡，马文·明斯基，纳撒尼尔·罗切斯特和克劳德·E·香农建立了人工智能的基础，将人工智能作为计算领域中的独立领域。此前，在1950年，艾伦·M·图灵（Alan M. Turing）在《心灵》杂志上发表了一篇题为《计算机械与智能》的文章，其中他对人工智能的概念进行了反思，并确立了后来被人们所熟知的东西。例如Turing测试，该测试可以确定计算机是否根据理解为人工智能的行为运行。
如此，六十年代的人工智能并没有取得多少成功，因为当时它需要太多的投资，而且大多数技术都是大型研究中心的典型技术。 70到80年间，随着PROLOG LISP的推出，其分支机构之一的专家系统取得了一些重大进展。基本上，人工智能的目的是创建一种编程的顺序机器，该机器可以无限重复地重复人类产生的一组指令。
目前，大型教育和私人技术实验室的研究仍在继续。自主的机器人控制（索尼，及其机器人）能够以几乎人类的方式移动并能像人走路时一样对压力做出反应），模糊逻辑应用程序（在我们的录像带中自动跟踪的应用程序，仅举一例）。但是，人工智能在很大程度上仍受到其技术优势的限制，并且几乎无法进入最终的消费者市场或行业。
人工智慧的定义
关于人工智能的当前定义，有诸如Stuart的Rich&Knight，Stuart之类的作者，他们通常将AI定义为机器执行人类当前执行的任务的能力。Nebendah，Delgado等其他作者提供了更完整的定义，并将它们定义为研究领域，该领域着重于基于经验和持续的环境知识的基于计算过程的智能行为的解释和仿真。
还有更多的作者，例如Marr，Mompin，Rolston，他们的定义涉及非常复杂问题的解决方案术语。
作者认为，德尔加多和内本丹的定义非常完整，但是如果没有既定判断的支持，人的情感就会失去这种解决方案的权重，因此，双方必须在协同环境中实现协作，以提高解决方案的有效性。
人工智能系统的发展趋势
斯图尔特（Stuart）德尔加多（Delgado）表示，目前，关于AI的发展存在三种范式。
- 神经网络，遗传算法，模糊逻辑系统。
但是其他的范例也很突出，例如智能决策代理和可编程自动机，就后者而言，它们通常根据需要满足的需求在工业过程中大量使用，例如减少空间，定期更改生产过程，顺序过程，可变过程机械等
在作者看来，可以确定所有这些发展都大大缩短了决策过程并优化了决策过程，但是您必须非常小心，因为您必须分析环境，社会，政治和经济等不同影响。
神经网络
从广义上讲，可以回想起人脑是由相互连接的数百亿个神经元组成的，形成执行特定功能的电路或网络。
典型的神经元通过称为树突的无数微妙结构拾取来自其他神经元的信号。神经元沿着称为轴突的薄薄层发出电活动脉冲，该轴突分裂成数千个分支。
这些分支的末端到达其他神经元的树突，并建立一个称为突触的连接，该连接通过释放被称为兴奋剂或抑制神经元的神经递质的物质，将电脉冲转换为神经化学信息，以这种方式在神经元对其他神经元的影响，并通过突触连接进行处理，学习过程根据突触的有效性而有所不同。
图1.神经元和突触连接。
资料来源：新德拉格拉纳达军事大学Sandra Patricia Daza，2003年。
心理学家D Hebb介绍了两个对神经网络领域具有决定性影响的基本思想。Hebb的假设基于心理生理学研究，直观地介绍了神经元记忆信息的方式，并将其综合转换为Hebb著名的学习规则（也称为乘积规则）。该规则表明，如果两个神经元都被激活，则它们之间的连接会增强。当前的许多算法都来自该心理学家的概念。
Widrow发表了关于神经适应性的理论和受该理论启发的模型Adaline（自适应线性神经元）和Madaline（多种Adaline）。这些模型被用于许多应用程序中，并允许首次在一个主要的现实世界问题上使用神经网络：用于消除电话线上回声的自适应滤波器。
霍普菲尔德（Hopfield）运用格罗斯伯格（Grossberg）开发的稳定性原理，阐述了一个由相互连接的过程单元组成的网络模型，这些过程单元达到了最低能耗。该模型非常说明内存存储和检索机制。他的热情和演讲的清晰性为该领域注入了新的动力，并导致了更多的研究。
该十年的其他显着发展是玻尔兹曼机和Bam（双向联想记忆）模型。
生物和人工神经网络类比
根据Herrera Fernandez的说法
神经元是由处理单元建模的，其特征在于活动函数，该活动函数将从其他单元接收到的总输入转换为输出值，该输出值充当神经元的放电速率。
突触连接通过加权连接进行模拟，连接的强度或重量起着突触有效性的作用。连接确定一个单元是否有可能影响另一个单元。
一个过程单元从一个过程单元的总输入中的其他过程单元的输出中接收几个输入，通常计算为所有加权输入的总和，即乘以连接权重。负重或正重分别实现了突触的抑制或兴奋作用
表1.实际神经元与计算模型中使用的处理单元之间的比较。
资料来源：Francisco HerreraFernández
| 神经网络
生物 |
神经网络
人工的 |
| 神经元 | 工艺单元 |
| 突触连接 | 加权连接 |
| 突触有效性 | 连接重量 |
| 兴奋或抑制作用 | 连接重量的符号 |
| 总刺激 | 加权总输入 |
| 触发（射速） | 触发功能（输出） |
神经网络必须具有多层结构，第一层是输入缓冲区，存储网络中提供的原始信息或对其进行简单的预处理，我们称其为输入层；另一层充当接口或输出缓冲区，用于存储网络的响应，以便可以读取它，我们将其称为输出层；中间层，即负责信息的提取，处理和存储的主要层，称为隐藏层。
图2.多层级联网络模型。
资料来源：新德拉格拉纳达军事大学Sandra Patricia Daza，2003年。
模糊逻辑系统
Delgado的概念是允许我们模仿人类推理的第二个工具。人类通过文字和两个状态（例如，黑白或冷热等）之间的程度来思考和推理。这些模糊逻辑系统是对传统专家系统的改进，从某种意义上说，它们允许我们在推理时使用人类语言。
在谈论传统专家系统时，他们试图以象征性的方式再现人类的推理。它是一种计算机应用程序，它使用该领域的专家定义的知识和分析规则来在某个领域（例如生产系统，金融或医药）做出决策或解决问题。专家结合了基于事实的知识和推理技能来解决问题。在专家系统中，这两个基本元素包含在两个单独但相关的组件中：知识库和演绎或推理机。知识库提供了有关该主题的客观事实和规则，而演绎机提供的推理能力使专家系统可以得出结论。专家系统还以用户界面和解释机制的形式提供其他工具。与任何其他应用程序一样，用户界面允许用户制定查询，提供信息并以其他方式与系统交互。解释机制是专家系统中最迷人的部分，它使系统可以解释或证明其结论，它们还使程序员能够验证系统本身的操作。专家系统开始于1960年代出现，其应用领域是化学，地质，医学，银行和投资以及保险。
根据一位作者的经验，如果正确使用这些系统，则这些系统所基于的硬件（即数字集成电路）将非常高效且持久耐用。
遗传算法：
根据德尔加多的说法，它们是受生物学方面启发的技术，查尔斯·达尔文所指的进化过程可用于优化控制设备或机器人，或可优化为生产线的任何其他类型的方面。
人们普遍认为，解决问题的任何遗传算法都必须具有五个基本组成部分，如下所示：
- 需要适当的问题编码或表示法来创建初始解决方案总体的方法针对问题的调整函数或适应性，也称为评估函数，为每个可能的解决方案分配一个实数在执行算法的过程中，必须选择父母-属于初始种群的两个人，他们是该问题的可行解决方案-要进行繁殖；然后，这些选定的父母将相互交配，产生两个孩子，这个问题的新解决方案，然后突变操作员将根据特定概率对每个问题采取行动。上述功能组合的结果将是一组个人（可能的问题解决方案），在遗传算法的发展过程中，它将成为以下人群的一部分。
- 参数值：人口规模，遗传算子应用的可能性。
人工智能的应用及其使用的技术
在人工智能工程方法中，可用作解决问题工具的技术分为以下几类：
- 之所以称为基本技术，是因为它们是各种AI应用程序的基础。其中包括启发式搜索解决方案，知识表示，自动演绎，符号编程（LISP）和神经网络。这些技术是应用程序的基础。在大多数情况下，最终用户不需要知道它，而是致力于其应用程序和商业应用程序生成的专业人员都知道。
2.旨在解决一系列问题的技术或几种基本技术的组合。这些技术比基本技术更专业，并且更接近最终应用。可以提及机器人与视觉，自然语言，专家系统
3.应用类别或类型：诊断，预测（原子反应堆的自控系统），操作顺序（“计划”），设计，数据解释。他们都是类型问题的家庭。例如，诊断是指查找故障原因，无论是生产线故障还是人身上的疾病。
4.应用领域：工程，医学，制造系统，行政管理，管理决策支持等。所有这些都属于计算机系统领域，但被视为人工智能的客户。
人工智能在生产系统中的应用
结合智能决策代理，神经网络，专家系统，遗传算法和可编程自动机来优化生产系统，是技术发展迅速，研发投入巨大的国家工业环境中的一种活跃趋势。人工智能的所述组件具有主要功能，以独立地控制并与其他代理协调来控制工业组件，例如制造或装配单元以及维护操作。
由于市场对获得高质量产品的需求，越来越倾向于采用更加自动化和智能的制造/装配系统。手动操作使情况变得复杂，使像我们这样的不发达国家无法在全球范围内达到竞争水平。在设计计算机集成的生产系统时，应重视工作中心中作业任务的监督，计划，排序，协作和执行，并增加对库存水平以及系统质量和可靠性特征的控制。上述因素决定了系统的结构，其协调性代表了生产管理和控制中最重要的功能之一。
通常，建立仿真模型的原因是寻找问题的答案，例如最大化或最小化某个目标函数的最佳参数是什么？近年来，在生产系统优化领域已取得了很大的进步。但是，开发用于仿真模型结果的分析工具的进展非常缓慢。有许多传统的优化技术，只有具有统计学和模拟概念知识的个人才能在该领域做出重大贡献。
由于元启发式搜索算法的兴起，在模拟优化领域开辟了一个新领域。诸如OptQuest（Optimal Technologies），SIMRUNNER（Promodel Corporation）和Evolver（Palisade Software）之类的新软件包已投放市场，为优化系统提供了用户友好的解决方案，这些系统不需要对内置模型进行内部控制，而是对结果进行内部控制。该模型在不同条件下抛出。此外，应用于随机优化问题的新人工智能技术也证明了其效率以及计算和逼近能力。
强化学习是一组旨在解决基于马尔可夫决策过程的问题的技术。马尔可夫过程是基于以下概念的随机决策过程：在给定的状态下，在给定的瞬间要采取的行动仅取决于决策时系统的状态。
对系统的生产过程产生最大直接影响的领域之一是基于系统操作参数的优化来设计决策支持系统。为此，人们非常关注将智能参数技术和非参数技术用于数据分析。
然而，在作者看来，迄今为止为计算机集成制造所提出的大多数体系结构都缺乏基本的集成因素。生产工厂的各个层次之间的通信很少，因为每个部门都在不寻求整个生产工厂集成的情况下限制了自己的职能，除了像ABB这样的公司及其Baan软件等。
人工智能在特定生产问题解决中的应用
使用计算机视觉系统进行自动质量控制操作（RoymanLópezBeltrán，Edgar Sotter Solano，Eduardo Zurek Varela；机器人技术和自动生产实验室。Universityof Norte）
每个工业过程都会对其最终产品的质量进行评估，这使质量控制阶段成为过程的关键阶段。建立产品质量的机制取决于与产品相关的参数。当相关参数是制造对象的几何形状或形状时，通常留给执行质量控制检查和验证功能的操作员，但是对象的几何形状可能会逃脱操作者的视线，然后阻止所述物体的正常运行。在这种情况下，出现了一个很好的选择，即使用能够检测操作员可以忽略的错误的人工视觉系统。Robot Vision PRO人工视觉系统能够执行全自动的物体识别和质量控制任务。
Robot Vision PRO系统是视觉软件包，可进行图像采集，预处理和分割。它还执行高级数据处理，提供图像过滤，聚类和图案化以及对象识别。该系统有一个摄像机和一个监视器，负责识别过程中每个重要的部分，并与质量为100％的部分进行比较，以便稍后确定包装是否可以投放市场还是应该丢弃。
以下是Robot Vision PRO系统提供的一些用于执行质量控制操作的图像。包装的排列方式应使其几何形状完全包含在程序中，并且随后分别对每个包装进行质量控制。
图3：具有100％质量的优质包装
随后的两个图显示包装有缺陷，因为它不符合必要的规格，因此质量体系拒绝了该产品。
图4.由于质量差而拒绝包装
图5.由于质量差而拒绝包装
经过公司评估的Robot Vision PRO计算机视觉系统对于检测离心式压缩机包装中的几何缺陷非常有效，因为该软件的灵活性使其可以根据制造商所需要的质量系统调整工艺条件。正确测量包装。该系统具有足够的教学意义，可以开发出可以全自动执行对象测量，识别和质量控制任务的表达式。
作者认为，这种技术的使用非常适合对零件的表面光洁度要求很高或公差要求严格的公司，例如汽车备件，工业仪器等。
- 人工智能研发线正在开发的项目（马尼萨莱斯大学研究组）
JAT（公共交通智能调度与控制系统）：其主要思想是通过调度和智能控制来改善马尼萨莱斯市的城市交通服务，从而提高服务质量并降低运营成本。智能部分负责安排路线的调度，以查找所有公交车将其平均覆盖。
智能远程监视和监视系统：目的是实施闭路电视系统，该系统包括通过计算机和电话线从世界任何地方以及通过Internet进行远程监视的能力。
- 通过神经网络识别移动机器人中的环境
这项研究的重点是基于神经网络的训练，由移动机器人对环境进行全局识别，该神经网络接收由机器人的传感系统（超声波）从环境中捕获的信息。可以认为，通过神经网络，机器人的唯一任务是最大化对机器人所呈现的环境的了解。这样，它可以在执行避障算法的同时有效地建模和探索环境。
由于以下事实，这项研究的结果在移动机器人领域具有重要意义：机器人获得了更大的运动自主性，优化了超声波作为障碍检测器的使用，并且它是道路规划师发展的重要工具。轨迹和“智能”控制器。
使用架构：2-2 -1
Nih：输入神经元的数量（2）。
Nhid：中间层（1）中的神经元数量。
Nout：输出神经元的数量（2）。
将广泛展示训练网络的示例之一（有关更多详细信息，请咨询Rivera&Gauthier大学los Andes的研究）。
训练中使用的参数是学习常数0.2和力矩常数0.9资料来源：克劳迪娅·里维拉（Claudia Rivera）1995
图6.三级障碍训练环境
机器人位于八个不同的位置，在每个位置都进行了扫描，并以此方式形成了用于训练网络的八个文件，这已经认识到环境不会因任何障碍而崩溃。
在神经网络中，随着内部容量的增加，学习不同环境的能力和速度将更高。
在作者的干预下，他们确定使用移动机器人在生产过程中非常重要，在生产过程中，人不能长期承受高温或低温环境，例如可以训练人的MEALS机器人及其完善的培训，使其在以后成为货物运输者。
- 遗传算法应用于设施分配QAP的二次问题（委内瑞拉瓦伦西亚卡拉博博大学工业工程学院运筹学系。NinoskaManeiro。遗传算法应用于设施选址问题。2001年cemisid.ing.ula.ve / area3）。
QAP是一个组合问题，一些作者认为它是NP完全的。QAP的目的是找到站点的设施分配，以最小化表示成本或距离的功能。
在工业工程领域以及所有这些领域的专业人员培训中，设施的位置和分布是最重要的主题之一
负责城市规划，组织和系统发展的专业人员。在每个人的日常生活和职业生活中，都会出现各种设施位置问题。
设施的位置和分配问题对于任何制造业务的成功都是至关重要的。主要原因是材料处理成本占总制造成本的30％至75％。良好的设施分配问题解决方案将有助于提高整体运营效率，分配不善会导致在制品库存的积累，物料搬运系统的过载，设置效率低下以及排队时间长。可以归类为QAP的这一类广泛的问题是广义线流问题，它是一种流线，操作在其中进行，并且不一定要在流水线中的所有机器上进行处理。此类生产线上的作业可以开始在任何机器上进行处理并完成其处理，并始终根据处理工作顺序通过连续的操作向下游移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。这种操作的“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。始终根据流程工作顺序通过连续操作向前（下游）移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。这种操作的“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。始终根据流程工作顺序通过连续操作向前（下游）移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。这种操作的“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。这种操作的“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。这种操作的“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。
在作者看来，该二次分配问题应在生产车间类别中解决，因为它在分析N / M序列时具有相关性。
图7.通用流线来源：Ninoska Maneiro 2001。
结论
- 在国立大学马尼萨莱斯总部的工业工程计划中，应该在计算机科学方面做更多的工作，以便深入研究应用于工业工程的人工智能领域。
- 随着这项工作的发展，在理论研究的水平上已经获得了令人满意的结果，因为已知随着计算机科学的进步，在某些情况下，作者们还不知道AI的巨大进步。已经使该行业不断寻求提高其竞争力的方法达到了这一目标，但是在许多情况下，该行业将大量劳动力转移，从而导致社会恶化，这反映在全球失业率和失业率指标中贫困水平。
参考书目
- 伊莱恩·里奇（Elaine Rich）。凯文骑士。人工智能。第二版。 Mc Graw Hill。墨西哥1994年，斯图尔特·罗素（Stuart Russell）。诺维特仪表。人工智能是一种现代方法。 Printice大厅。墨西哥，1996年。《拉文塔纳资讯杂志》。第0期9.马尼萨莱斯大学。第56-57页。2003年5月。德尔加多·阿尔贝托。人工智能和迷你机器人。第二版。 Ecoe版本。 1998年7月，德尔加多·阿尔贝托。人工智能和迷你机器人。第七届全国工业，行政和生产工程学生大会全国大学总部马尼萨莱斯。回忆大会。 1998年10月4日至10日，计算机和计算机百科全书。软件工程与人工智能。 1992年7月Nebendah Dieter。专家系统。工程与通信。 Marcombo出版商。巴塞罗那，1988年。3月DC人工智能：个人观点，人工智能。美国，1977年，Rolston W. David。人工智能原理和专家系统。麦格劳希尔。 1992年墨西哥，Mompin P.José。人工智能：概念，技术和应用。Marcomobo SA版本。 1987年西班牙。伊比利亚美洲人工智能杂志。人工智能在自动化生产系统中的应用。拉塔（Llata，JR），萨拉比亚（Sarabia），EG，费尔南德斯（Fernández），D.，Arce J.第10号，第100-110页。可在（http://www.aepia.org/）上获得。
Francisco HerreraFernández博士，古巴圣克拉拉中央别墅大学自动控制系教授。基于神经网络的文章控制用于非线性动态过程。第42-44页
Ninoska Maneiro。遗传算法应用于设施选址问题。硕士论文。工程学部。卡拉博沃大学，2001年。
克劳迪娅·里维拉（Claudia Rivera）。阿兰·高锡（Alain Gauthier）。1995年1月，洛斯安第斯大学
下载原始文件
