一种以功能为中心的决策框架，用于诊断和提高智能多智能体制造系统中的效率

《Scientific Reports》：A feature-centric decision-making framework for diagnosing and enhancing system efficiency in intelligent multi-agent manufacturing

　　

摘要

本研究提出了一种以特征为中心的混合预测框架，用于预测智能多智能体制造环境中系统的效率。通过结合运营指标、基于学习的指标和信息物理指标，该框架满足了工业4.0/5.0背景下对可解释、具有弹性和高性能分析方法日益增长的需求。论文提出了一种结构化的流程，包括递归特征消除以实现原则性的特征选择，基于方差分析（ANOVA）的敏感性评估以确定统计方差来源，以及基于SHAP（Shapley Value）的全局可解释性分析以提高模型的可解释性。为了提升预测准确性，研究人员将三种基于树的模型（决策树、随机森林、CatBoost和Extra Trees）与两种最新的元启发式优化算法（草原犬鼠优化（PDO）和电鳗觅食优化算法）相结合。实验结果表明，这些混合模型，尤其是经过PDO优化的随机森林和Extra Trees模型，在所有测试阶段都显著提高了预测准确性、稳定性和误差降低程度。敏感性分析指出，生产效率、机器使用率、Q值和安全事件是主要的预测因素，这证实了工业性能动态的多模态特性。研究结果强调了基于特征的建模和受生物学启发的优化方法在产生稳健且可解释的结果方面的可行性，这些结果适用于实际的智能制造应用。本研究为现代多智能体工业系统提供了一种新颖的、可解释且可部署的预测智能范式。