集体智慧研究综述及其社群化制造应用探索

集体智慧(collective intelligence)泛指多个同质或异质个体组成的整体系统在去中心化组织与运行机制下，通过个体间信息共享、竞争、协作等交互活动，涌现出在整体层面高于每个个体自身水平的有序性、适应性、鲁棒性、智慧性等[1]。集体智慧概念的核心思想在于多个个体组成的集体可以通过个体间多种类型的交互活动获取高于每个个体的整体系统层面的知识与智慧，从而让集体更好地应对其在环境中遇到的难题[2]。近年来，集体智慧理论与技术随着互联网和人工智能的进步取得了进一步发展，并在创造创新[3]、优化控制、评估决策[4]、知识管理[5]等领域中得到了广泛应用。国内外学者针对不同工程领域中的集体智慧问题展开了相应研究，取得了丰富的研究成果。

社群化制造是一种建立在分布式、社会化资源自组织的大规模协作与共享基础上的网络化制造模式。社群化制造模式下，分散的社会化制造资源聚集形成各类分布式社群，在多种利益协调和商务社交机制下，社群中的资源节点分散、协同地完成多种制造任务[6-7]。社群化制造模式中的产品设计、制造、服务等一系列环节中均可观察到海量个性化和需求小众化环境下资源渠道与传播方式的社群聚合效应，去中心化、扁平化的生产互联网络，产消者自发依照共识规则，自适应地形成社群并协作地完成生产任务等特点[8]。由此可见，集体智慧与社群化制造概念的相通之处在于两者都是通过自组织方式实现多源资源的集成与交互，以实现整体层面功能/效用的放大与提升。因此，集体智慧理论当能支持社群化制造背景下的多源资源集成、交互、协同、共识、决策等系列问题求解。

目前国内文献对集体智慧的概念边界定义尚不明确，且对集体智慧理论的研究相对离散，不能系统、有效地指导集体智慧理论在制造特别是社群化制造问题中的深入应用。本文首先统计近年集体智慧相关文献并辨析相关概念，在此基础上根据集体智慧系统中个体属性的差异，将其分为人类系统、社会性动植物系统以及人工智能体系统的集体智慧。然后按“实现框架-关键技术-工程应用”的主线对三类集体智慧的理论研究与机械工程领域应用研究现状进行综述。最后整合集体智慧概念集成框架并探索其在社群化制造中的初步应用方案和仍需解决的问题。

1 集体智慧文献统计与概念界定

集体智慧概念包含的内容广泛，且有许多相似概念，而国内目前尚无系统的集体智慧概念界定。本文先进行文献统计，然后在此基础上进行集体智慧相关概念辨析与概念边界定义。

1.1 文献统计

文献检索内容涵盖2000年至今的集体智慧相关中、英文文献(2019年仅包括1～5月发表的文献)。检索数据库包括知网、万方、维普、Springer、Elsevier、Wiley、SAGE、IEEEXplore、ACM、Taylor & Francis、Emerald、CSSCI。检索时仅统计了计算机科学、系统工程、控制优化、机械工程等相关工程技术领域文献，而与本文研究内容相关度较低的政治、教育、文化、哲学等领域文献则未被记录在内。检索词条和统计结果如表1所示。通过文献数量统计结果可以看出，集体智慧相关的英文文献较多，中文文献较少；基于自然仿生模型的启发式集体智慧研究以及面向人工智能体系统的集体智慧研究较多，而面向人类交互与协同的集体智慧研究则相对较少；集体智慧相关研究仍是热点问题。

1.2 相关概念辨析

集体智慧概念对应英文文献中的collective intelligence，该概念产生之初泛指各种通过个体之间的交互获取大于每个个体水平的整体层面的智慧性的现象[2]。集体智慧中个体的智慧水平可高可低，集体组成可同构可异构，交互活动多种多样，个体感知与交互范围可局部也可全局。近年来随着互联网技术和社交媒体技术的发展，集体智慧概念逐渐倾向于特指交互个体为人或人类组织通过共享、共识、竞争、协作产生高于每个个体水平的知识与智慧[3,9]的现象。该类情况下每个个体表现/贡献出的知识/智慧水平较高，但个体之间知识/智慧水平差异较大，在预定交互机制允许的情况下个体可获取全局信息[10-11]。

群体智慧、群体智能、群智能概念均与英文概念之swarm intelligence对应[4,12-13]。群体智慧描述的概念相对明确，特指参考社会性昆虫/动物/植物群落(有巢穴)或群体(无巢穴)通过个体交互获得群体层面智慧现象所构建的交互与优化模型[14]。通常群体中的个体智慧特性相似且智慧水平较低，只有局部感知与交互能力。

协同智慧对应于英文概念之collaborative intelligence。该概念包含内容广泛，泛指通过多个个体(不仅限于人类[15])之间的交互与协作实现高智慧水平输出的现象。协同智慧与集体智慧的概念非常相近，但协同智慧概念强调每个个体只能对局部问题提出部分解决方案，然后再通过相互共享、启发、协作将各个部分解决方案整合与拼接为一个(或少量几个)整体解决方案(如大型开源软件开发过程[11,16])，而集体智慧概念中的个体通常能够独立提出一个自己的解决方案，然后再通过整合、优选等各种类型的交互在集体层面得到更高水平的综合表现(如Youtube中海量个人视频的整合、Threadless中海量个人设计方案的优选)[5]。

众人智慧对应于英文概念之crowd intelligence，该概念为网络2.0时代出现的新概念，特指大量自主、自驱动的参与者在线上通过网络交互与协同解决独立个体难以解决的难题的行为和现象[17-19]。众人智慧的概念与集体智慧、协同智慧均有重叠，但其强调大量参与者以网络、社交媒体为渠道进行的互联与协作行为中涌现的智慧现象，且参与者限定为人类[17]。

1.2.5 多智能体系统

多智能体系统(multi agent system)指由多个智能体个体组成的集体系统，该系统可通过个体之间的协作执行超出每个个体能力水平的复杂协同任务[20]。多智能体系统的两个显著特征是异构性和分布式，各个智能体通常具有独立和自主的功能逻辑，能够解决不同的子问题，然后通过协作获取全局最优的问题解决方案[21]。典型的多智能体系统研究中的智能体为人工智能体，在预定义的业务逻辑下实现整体层面的智慧[22]。

1.2.6 计算集体智慧

计算集体智慧(computational collective intelligence)是人工智能领域的一个分支，指利用模糊理论、进化计算、神经网络、概率论、共识理论等软计算方法支持分布式系统中自然或人工自治主体之间的群决策、活动协调、知识集成、冲突消解、共识等活动，进而支持系统层面智慧涌现[23-24]。计算集体智慧理论主要涉及3个领域：支持集体智慧涌现的有效工具之语义网络建模与分析、网络2.0时代集体智慧新环境下的社交网络建模与分析、以及作为支持人工自治智能体系统集体层面智慧涌现的基本理论的多智能体系统[23]。

1.3 集体智慧概念边界定义

前述集体智慧相关概念均体现多个同质或异质个体组成的集体通过协作与交互实现整体层面更高水平智慧输出的基本特征，但各概念又有不同的针对问题和描述侧重点。本文参考RINC width=13,height=17,dpi=110

N等[2]的研究，进一步按集体智慧基础理论中的个体属性不同，将集体智慧概念划分为以人类个体为交互主体的人类系统集体智慧(human social system collective intelligence, HSSCI)，参考鸟类、昆虫等社会性动植物交互行为建立的低/无智能体集体智慧(natural social system collective intelligence, NSSCI)，以及面向人工智能体协作交互系统的集体智慧(artificial social system collective intelligence, ASSCI)。前述相关概念在三类集体智慧概念中的分布如图1所示。

2 集体智慧理论研究进展

2.1 人类系统集体智慧(HSSCI)

HSSCI实现框架通过预定义的交互机制与执行逻辑支持人类集体输出更高智慧水平的问题求解方案。目前已有的HSSCI的模型包括可用简单判断表达意见的大规模共识模型E-voting、采用专家小组迭代讨论实现共识的德尔菲法[25]、采用有偿方式征集众人思维信息获取集体判断智慧的Prediction market[26]、常用于商家产品信息评价反馈的打分模型Multi Scale Rating[27]、适用范围广泛且形式多样的众包模式[28],以及简单有效的平均共识[3]、基于“自由发布-自由辩论-管理员最终表决”流程逻辑的Wikipedia模式[5]、参考老师与学生教学过程中知识传递方式建立的“老师-学生”优化方案获取模型[29]，以及支持在线信息交流与讨论的Argumentation共识模式[30]等。

在HSSCI实现的前提条件研究方面，一些学者指出，并非所有集体都能实现集体层面的智慧加成，集体层面的智慧涌现需要满足个体多样性、个体独立性、去中心化组织模式、高效的开放协作与共享机制，以及有效的集成机制等前提条件[31-32]。

在组织模式与智慧涌现机理方面，MALONE等[11]从动机、内容、形式、参与者4个角度研究如何有效运营集体智慧项目[33]；HEDJAZI等[34]指出集体智慧的涌现是整个团队交互、争论、协商的结果，并探索如何通过合理组织团队执行集体智慧项目；HEYLIGHEN等[32]指出集体智慧活动的开展过程基本遵循“明确目标-分工-并行执行-整合”的逻辑主线，而其中的整合环节是关键中的关键；WOOLLEY等[35]从集体成员构成与交互机制上对集体智慧的运营提供了参考建议；MARIES等[36]分析了人类社群交互模式，并构建社群信任/声誉计算集体智慧模型以支持社群的集体智慧提升。

在智慧水平评估方面，一些学者建立了针对集体智慧的Collective IQ评估模型，对整个集体所具有的智慧水平进行评测[37]；LOU等[38]探索了集体内智慧的涌现机理，并从交互、共享、知识存储等多个维度建立集体智慧评估模型；WOOLLEY等[39]从创造力角度提出一系列指标进行集体智慧水平评估。

2.2 社会性动植物系统集体智慧(NSSCI)

最早的NSSCI框架研究起源于对以蚂蚁、鸟群为代表的社会性低智能生物种群在没有集中控制和全局感知的前提下涌现出集体层面复杂智慧性现象的探索[40-43]。除此之外，国内外学者参考不同类型的社会性动植物系统建立了多种软仿生集体智慧模型，包括YANG等[44-45]参考蝙蝠回声定位功能搜索和确定安全移动路线的特性提出的蝙蝠算法;基于布谷鸟借巢孵蛋行为模式特征建立的解决新旧方案选择问题的布谷鸟搜索算法;ALUKASIK等[46]提出的参考萤火虫社会行为和荧光通信特征建立的解决连续约束优化问题的萤火虫算法;SHAH-HOSSEINI[47]参考水滴聚集成水流的移动模式原理建立的可解决旅行商问题的智能水滴算法;基于蜜蜂觅食筑巢等行为的多蜂群算法[48]等。更多基于社会性动植物活动模式特征为启发的集体智慧模型算法可以查阅文献[40,49]。

许多学者指出，NSSCI的三大关键技术包括自组织模式、个体间通信机制，以及群体智慧涌现机理[4,43]。

在自组织模式方面，KENNEDY等[43]指出,群体智慧的自组织是一种动态的、由底层个体交互呈现出系统化全局结构的现象，其交互规则仅基于局部而非全局的信息;BONABEAU等[42]指出,NSSCI系统中没有中心控制逻辑，也不存在个体间相互控制，而是整个集体依据个体逻辑在受到外界刺激时自发产生整体性行为。

在个体间通信机制方面，何小贤等[4]指出NSSCI模拟的通信形式包括自然界生物之间的触角碰触、食物交换、视觉接触等直接通信，以及更为微妙和复杂的间接通信。一些学者用Stigmergy 来描述这种无/低智能个体间激发式间接通信机制，并研究如何通过Stigmery实现信息交流以实现最终的复杂而有序的群体行为[50]。

在智慧涌现方面，目前的研究普遍将其定义为大量个体在无中心控制的情况下体现出来的宏观有序行为[41-42]，集体层面的自恢复性和学习性是智慧涌现的关键[13]。智慧的涌现被认为是自底向上的，且低层次的智慧可以进一步涌现出高层次的智慧[51]。同时，智慧涌现是合理的分布式控制模式、激发式工作机制以及个体层面的简单智慧逻辑共同作用的结果[42]。

2.3 人工智能体系统集体智慧(ASSCI)

目前，ASSCI的实现框架多基于多智能体系统。多智能体是由多个智能体组成的计算系统，被用于解决离散的智能体难以解决的问题[20]。在多智能体系统架构方面，PENDHARKAR[52]设计了基于博弈理论的合作型和竞争型多智能体系统执行框架；AHMED等[53]提出了软件多智能体的系统框架、通信协议及人与智能体间的交互接口；JENNINGS[54]研究了多智能体系统架构下的协作约束与协议；SYCARA等[55]对多智能体系统架构的核心要素进行了探讨；DELOACH等[56]提出了针对多智能体系统的设计与开发方法论；

等[57]阐述了如何使用智能体开发环境来指导多智能体系统的开发过程；LEONARD[58]研究了社会性动物群体的协作与决策逻辑对多智能体系统架构的设计参考。

在集体层面的系统智慧获取/学习方面，采用强化学习支持智能体通过经验和知识共享学习实现系统层面智慧涌现是目前的主流方法。这主要包括TAN等[59]提出的基于强化学习的个体、集体层面的智慧加成技术；LITTMAN[60]提出的基于马尔科夫模型的系统强化学习策略；WOLPERT等[61]提出的基于强化学习的多智能体系统数学理论；CHOI等[62]提出的多智能体系统分布式学习与协同控制全局优化方法；

等[63]提出的多层强化学习框架。上述方法用以支持系统在动态、部分可见、噪声环境下的复杂任务处理等。

在多智能体交互与协同决策方面，GONZ width=14,height=17,dpi=110

LEZ-PARO[64]提出了支持多智能体间大量信息传递与交互的通信机制；JAEWOOK[65]提出一种冲突消解策略，以解决多智能体系统中用户、活动和物理设备间的环境冲突问题；YU等[66]设计了一种新的共识协议以实现多智能体系统的共享信息一致与共识；MALESZKA等[67]提出了支持跨智能体间的知识共享与推理的多层知识集成模型；AYDIN等[68]通过结合Q learning算法和粒子群算法构建了多智能体之间的协作机制。在多智能体系统协同决策机理方面，BOUTILIER[69-70]提出了针对合作型多智能体系统的协调博弈策略以及基于马尔科夫模型的多智能体系统协同决策逻辑。

在多智能体系统内的信用保障方面，SABATER-MIR等[71]提出了基于智能体社交关系的信用支持系统，解决了多智能体系统在缺乏交互信息情况下的信用评估问题；RAMCHURN等[72]研究了个体信用水平在分布式多智能体系统中的效用。除此之外，典型的多智能体信用评估模型包括基于交互信用、角色信用、证人信用与认证信用的综合信用评估模型[73]，模糊信用评估模型[74]，基于网络属性的信用评估模型[75]，基于概率的信用评估模型[76]，以及动态信用评估模型[77]等。

3 集体智慧理论在制造领域中的应用

3.1 人类系统集体智慧(HSSCI)应用研究

共享经济背景环境增强了人们参与集体智慧项目的动机[78]，快速发展的互联网技术则为项目参与者提供了便利的参与途径[9]。这两大因素促发了HSSCI理论的发展及其在制造领域中的应用。HSSCI系统的主要功能为通过人与人的协作与竞争实现创新[79-80]、评估决策[2]、知识集成与管理等任务[81]，因此通常被应用于产品概念产生、设计、产品评估与决策等环节。

在概念产生环节，LEE等[82]提出了用集体智慧的思路收集并优选用户创新理念的产品概念设计技术；BONABEAU[83]给出经典的基于集体智慧思想的概念创新案例，并提出“产生+评估+迭代”的创意想法循环迭代模型。

在设计方案集成与共识环节，MALEEWONG等[84]提了一种基于语义网的观点对比模型，根据网络中已有信息对某一观点的支持度来判断该观点是否符合共识；BUECHELER等[85]结合产品开发全流程研究如何用集体智慧理论执行研发任务；MURTY等[78]研究了集体智慧模式应用于设计环节的前提条件和具体方案；LONGO等[86]基于计算集体智慧理论建立了一套通过网络终端用户操作模式分析、信息融合计算、信任计算发掘网络用户集体共识的社交检索系统。

在团队建设环节，BONABEAU[83]研究了如何在集体智慧项目中构建优化的集体，如何保证设计能力的平衡，如何防止失去对团队和项目的控制；HIGHT等[87]研究了如何将离散的设计过程和设计学科配置为高度交互的社会技术网络，并探讨如何更好地进行设计协同。

在设计软件支持环节，GREGG等[88]研究了如何设计集体智慧项目软件支持系统，如何通过软件系统增强集体的创造和决策能力；OREILLY[89]给出了支持集体智慧项目的软件系统应有的功能和特征；BOTHOS等[90]研究了如何通过网络平台支持和实现集体智慧的概念整合与集成。

3.2 社会性动植物系统集体智慧(NSSCI)应用研究

以蚁群算法和粒子群算法为代表的NSSCI理论因其多样化的功能可广泛应用于各种制造相关问题求解[12]任务中。

在设计优化方面，GAING等[91]提出一种基于粒子群算法的自动电区调节器(AVR)系统参数设计方法以提高PID控制器性能；于颖等[92]采用粒子群优化算法进行波纹管优化设计任务，获得单位重量波纹管补偿量提高79.96%的优化结果；TANG等[93]采用蚁群算法解决产品功能设计优化任务。

在生产调度优化方面，盛晓华等[94]利用对蝙蝠算法重编码以及初始化的方式来求解离散生产调度问题；鲁建厦等[95]提出了一种混合人工蜂群算法解决混流汽车装配线排序问题；马慧民等[96]提出一种基于二进制粒子群算法解决基于成组单元的生产批量计划问题；DIAS-FERREIRA等[97]采用萤火虫算法模型对车间生产系统进行建模，实现各生产单元的相互交互、协同与优化。

在物流路径优化方面，KUMAR等[98]提出一个三阶库存模型，并设计改进的粒子群算法解决库存调度任务中的物流路径优化问题；JOHN等[99]采用蚁群算法解决工业生产和零售环境中的大规模复杂物流车辆路径优化问题。

在故障诊断任务方面，陈歆技等[100]采用蚁群算法进行局部及全局寻优，解决故障信息畸变情况下的电网故障定位问题；付家才等[101]采用蝙蝠算法和元胞自动机算法建立复杂配电网络仿真模型，解决故障点识别问题。

在服务优化方面，夏亚梅等[102]提出一种基于多信息素动态更新的蚁群算法解决服务组合优化任务中Web服务状态快速更新、不稳定性等动态性问题；周清雷等[103]提出一种基于Pareto的多目标人工蜂群算法解决服务组合优化问题。

3.3 人工智能体系统集体智慧ASSCI应用研究

多智能体系统理论在ASSCI的工程应用中占主导地位。在协同设计与开发方面，LIN等[104]提出了基于价格调度分解算法的协商机制，并采用多智能体技术来保障分布式协同设计；WANG等[105]开发了一个分布式交互系统以支持工业产品的协同开发过程。

在制造系统设计与构建方面，MONOSTORI等[106]讨论了多智能体系统在制造领域的应用及研究方向；ALSAFI等[107]提出了基于智能体的制造系统重配置方法以满足动态的制造需求；NEJAD等[108]开发了基于智能体的柔性制造系统，可支持针对目标产品的动态实时工艺规划；LEIT width=14,height=14,dpi=110

O等[109]综述了基于仿生方法的多智能体系统在制造领域的应用，并通过实际案例验证了该方法能够确保制造系统的柔性、鲁棒性和可重构性；BARENJI等[110]提出了基于RFID的多智能体分布式控制与监控系统，该系统通过智能体间的协作提高了制造系统的敏捷性、柔性和可重构性；CIORTEA等[111]提出了基于多智能体的可拓展柔性制造系统设计方法；SHAFIQ等[112]提出一套基于计算集体智慧理论的企业级生产知识采集/集成/复用系统，以支持利用历史生产记录和企业集体知识的智慧生产决策。

在企业资源管理与调度方面，SHEN等[113]提出了基于多智能体的服务选择与集成框架，以实现跨企业资源共享与实时调度；XIANG等[114]通过结合蚁群智能与智能体局部协调，提出了基于多智能体的动态制造系统调度方法；GUO等[115]提出了基于多智能体知识共享与自治的分布式制造调度优化算法；SKOBELEV[116]阐述了多智能体系统在实时资源调度、优化与控制方面的应用；KOLAK等[117]提出了基于多智能体的企业资源管理架构。

在供应链管理方面，TRAPPEY等[118]采用多智能体系统进行模具供应商选择、外包任务选择；FU等[119]采用多智能体和案例推理技术解决供应链成本协调管理问题；HERNANDEZ等[120]提出了基于多层协商机制的供应链协同规划模型，并开发了相应的多智能体系统来支持该模型的运行；PAL等[121]提出了基于多智能体和Web服务的原材料协同采购系统；FU等[122]提出了用于供应链成本协同管理的自适应多智能体系统；GIANNAKIS等[123]提出了基于多智能体的供应链管理系统，该系统通过大数据分析为供应链提供决策支持，从而提高了供应链敏捷性。三类集体智慧理论在制造业整体应用情况汇总见表2。

4 集体智慧集成框架及其在社群化制造中的应用探讨

4.1 集体智慧集成框架

各类集体智慧均体现多个个体通过个体间信息共享、竞争、协作等交互行为获取整体层面更高智慧表现的基本特征，然而不同类型集体智慧理论面向的个体特性、集体特性、最适问题、模型算法等不尽相同。在此建立集体智慧集成框架，分析三类集体智慧的异同与各自的优势，以支持集体智慧理论在具体工程问题中按需配置和综合应用。集成框架如图2所示(图中分类特征以现有常用集体智慧理论模型为主)。

4.2 集体智慧在社群化制造中的应用

社群化制造模式下，背景不同、体量各异、地缘分散的制造/服务资源在多种形式的交互、协作、共享与竞争过程中自发地聚类形成自适应、自组织的制造资源社群，实现整个制造资源社群层面的制造服务能力提升，完成不同类型的制造任务，这与集体智慧利用离散的个体资源实现集成层面增益的基本特征一致。本节结合集体智慧理论与社群化制造各环节问题特性，探索集体智慧在社群化制造中的初步应用方案(图3)。

4.2.1 社群化设计环节

社群化制造模式下的产品设计最显著的特征是利用海量社会化设计资源完成包括用户需求获取与分析、创意产生、详细设计、方案评估、设计决策等子环节设计任务，其关键在于如何通过激发、收集、选择、整合、采纳海量社会化参与者的产品创意和设计知识支持产品开发。其中，在用户需求获取环节，可采用E-Voting大规模共识机制、Multi Scale Rating评价打分机制、Prediction market机制等HSSCI模型获取海量社会化参与者对产品不同特征需求的量化表征。在产品创意产生环节，可采用有偿或无偿的众包模式、Wikipedia模式、线上Argumentation共识模式[30]等，充分发挥不同背景、多因素驱动的社会化参与者的创意，以支持产品创新设计。在设计方案决策环节，可综合应用HSSCI的共识机制、NSSCI的优化算法、以及各种群决策算法实现高效地线上多设计源交互和共识决策。

4.2.2 社群化生产制造环节

社群化制造模式下的生产制造环节常涉及到不同体量、不同业务背景、不同组织模式的企业群体之间及其内部的制造资源交互与协同，其关键是如何将这些企业的制造资源形成面向不同制造任务的自组织、自适应跨企业制造资源社群，从而以集中优势完成订单任务。对此，集体智慧理论在社群化生产制造环节可以从三个层面展开。在针对某项独立加工任务的制造单元节点层面，可采用多智能体系统等ASSCI模型对制造单元节点内地制造资源进行优化与封装。在车间级制造系统层面，可采用萤火虫算法等NSSCI模型对车间内封装后的制造单元节点进行组织优化[97]。在跨企业交互层面，在采用CPS、工业物联网等技术对各企业制造资源进行描述与建模的基础上，可综合应用多种NSSCI和ASSCI理论，支持企业集群中的制造资源进行优化调度与配置，并以自组织、自适应社群的形式有序地完成不同类型的复杂订单生产任。

4.2.3 社群化服务环节

在社群化制造模式下的制造服务环节有两个关键问题，一是如何将来自不同背景、不同企业的多源、社会化制造服务资源有序的组织起来，形成优化、协调的制造服务资源社群;另一个是如何针对不同的用户需求，对社群内的制造服务进行合理的组合与配置,从而高效地、有针对性地满足用户需求。对于第一个问题，可综合采用萤火虫算法[91]等NSSCI理论，在对服务资源进行建模与封装的基础上实现整个系统层面的制造服务资源动态自治。对于第二个问题，可采用蚁群算法、粒子群算法等NSSCI理论，结合企业制造服务能力约束及用户需求约束，进行服务功能、约束、属性的优化搜索，通过多源制造服务之间的交互与协作实现最佳服务方案配置。在此基础上，可进一步综合应用集体智慧理念，并结合物联网、大数据、智能计算等技术，对产品全生命周期供应链/产业链上的离散化制造服务资源进行集体智慧建模，最终构建涵盖设备级、车间级、工厂级、跨工厂级的，以集群制造服务能力为中心的多层级集体智慧制造服务生态圈。

4.3 集体智慧在社群化制造中应用仍需解决的问题

从宏观理念层面来看，集体智慧理论强调通过自组织、自适应的交互与协作机制发挥多源智慧(或非智慧)个体的感知探查、知识储备、自主决策判断、随机选择等能力，从而涌现出集体层面更高水平的感知、知识、判断、选择等智慧行为。从微观智慧实现层面来看，各类集体智慧模型普遍采用自然启发式或人工预定义的交互机制，通过整个集体中个体间的自主信息共享、协作、竞争等局部活动实现集体层面的智慧活动。因此，无论是宏观理念还是微观技术实现层面，各类集体智慧概念和理论都可在制造领域，特别是社群化制造问题中广泛应用，并对社群化制造诸多环节产生较大影响。

然而，要将集体智慧理论在社群化制造问题中进行具体应用则仍有许多问题有待解决。在集体智慧理论与技术本身需要研究的内容如下：

(1)HSSCI中智慧产生的前提是集体成员愿意且积极地参与到集体智慧项目活动中，但目前关于HSSCI的研究多从模式和机理角度展开，对参与者动机、激励策略等社会及经济因素方面的研究较少。

(2)HSSCI理论如何结合人类集体个体智慧水平高、差异大、可进行全局感知的特点设计相应的集体智慧模型，以实现大型复杂任务的求解[3]。

(3)如何面向网络2.0时代海量交互信息的特点开发相应的计算集体智慧算法来支持大规模信息交互中的集体智慧涌现[24, 38, 124]。

(4)如何借力于计算机软硬件技术与网络技术的发展，利用分布式计算和并行计算技术对现有算法进行进一步改善与提高[125]。

(5)ASSCI理论如何在人机交互集体智慧问题上进一步发展[53]。

(6)如何综合应用新兴技术更好地构建ASSCI计算架构以应对智能制造模式带来的工业大数据问题[24, 126]。

(7)新制造环境下涌现的多种新型复杂工程问题需同时发挥HSSCI、NSSCI、ASSCI三类集体智慧理论各自的优势方能解决，因此三类集体智慧理论的融合应用与发展也将是未来研究的重点之一。

另外，在将集体智慧理论与技术具体应用于社群化制造问题中时，需要考虑社群化制造模式下参与主体背景广泛、动机因素和所需激励模式各异、制造资源水平不齐、组织形式/交互机制/协作竞争关系灵活多样、信用保障水平低等特点，并在此基础上结合具体的社群化制造工程问题选择或开发相应的集体智慧模型与算法，方能安全、高效地应用集体智慧理论与技术支持社群化制造背景下的海量社会化制造资源之间的协作优化与共识决策。

5 结论

集体智慧是一个由来已久但仍在快速发展的概念，国内外学者在集体智慧概念范畴内已取得了丰富的研究成果。探索集体智慧理论技术将助力创新设计、复杂系统控制与优化、人工智能、分布式控制等多个领域研究的发展。本文在查阅近年来国内外集体智慧研究成果的基础上对集体智慧相关概念进行了辨析，并将集体智慧概念细分为面向人类系统、社会性动植物系统，以及人工智能体系统三个子类，并对各子类集体智慧的理论研究与制造业应用现状进行了综述，据此探讨了集体智慧理论与技术在社群化制造问题中的各种应用场景与初步实施方案，以及进一步发展和应用集体智慧理论需要解决的问题和努力的方向。

[1] 刘海鑫, 刘人境. 集体智慧的内涵及研究综述[J]. 管理学报, 2013,10(2):305-312.

LIU Haixin, LIU Renjing. A Review on Collective Intelligence Research and Its Connotation[J]. Chinese Journal of Management, 2013,10(2):305-312.

[2] RINCON D, VALDERS J. Collective Intelligence for Decision-making in Complex Environments: Literature Review[J]. Artificial Intelligence Applications and Innovations, 2018, 21(1):471-480.

[3] SALMINEN J. Collective Intelligence in Humans: a Literature Review[EB/OL]. [2019-08-20]. https://www.researchgate.net/publication/224039929_ Collective_Intelligence_in_Humans_A_Literature_Review.

[4] 何小贤, 王玫, 朱云龙. 群体智能研究综述[J]. 计算机工程, 2015,31(22):194-196.

HE Xiaoxian, WANG Mei, ZHU Yunlong. A Survey of Swarm Intelligence[J]. Computer Engineering, 2015,31(22):194-196.

[5] LICHTENSTEIN S, PARKER C M. Wikipedia Model for Collective Intelligence: a Review of Information Quality[J]. International Journal of Knowledge and Learning, 2009,5(3/4):254-272.

[6] 江平宇, 丁凯. 基于多维度演化模型的制造模式社群化趋势分析[J]. 计算机集成制造系统, 2016,22(9):2245-2255.

JIANG Pingyu, DING Kai. Socialization Rrend Analysis of Manufacturing Mode Based on Multi-dimensional Evolution Model[J]. Computer Integrated Manufacturing Systems, 2016,22(9):2245-2255.

[7] 江平宇, 丁凯, 冷杰武. 社群化制造: 驱动力、研究现状与趋势[J]. 工业工程, 2016,19(1):1-9.

JIANG Pingyu, DING Kai, LENG Jiewu. Social Manufacturing: Drivers, Research Status, and Trends[J]. Industrial Engineering Journal, 2016,19(1):1-9.

[8] 江平宇, 冷杰武, 丁凯. 社群化制造模式的边界效应分析与界定[J]. 计算机集成制造系统, 2018,24(4):829-837.

JIANG Pingyu, LENG Jiewu, DING Kai. Analyzing and Delimiting Overlapping Concept Boundaries of Social Manufacturing[J]. Computer Integrated Manufacturing Systems, 2018,24(4):829-837.

[9] LEVY P. Toward a Self-referential Collective Intelligence some Philosophical Background of the IEML Research Program[C]// NGUYEN N T, KOWALCZYK R, CHEN S M. Computational Collective Intelligence. Semantic Web, Social Networks and Multiagent Systems. Berling: Springer, 2009: 2-35.

[10] GRASSO A, Convertino G. Collective Intelligence in Organizations: Tools and Studies[J]. Computer Supported Cooperative Work, 2012,21(4):357-369.

[11] Malone T W, Laubacher R, Dellarocas C N. Harnessing Crowds: Mapping the Genome of Collective Intelligence[EB/OL].[2019-08-20]. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1381502.2009.

[12] 康琦, 张燕, 汪镭, 等. 群体智能应用综述[J]. 冶金自动化, 2005,29(5):7-10.

KANG Qi, ZHANG Yan, WANG Lei, et al. Application Overview on Swarm Intelligence[J]. Metallurgical Industry Automation, 2005,29(5):7-10.

[13] 王玫, 何小贤, 朱云龙. 群体智能中的知识涌现与复杂适应性问题综述研究[J]. 信息与控制, 2005,34(5):560-566.

WANG Mei, HE Xiaoxian, ZHU Yunlong. Knowledge Emergence and Complex Adaptability in Swarm Intelligence[J]. Information and Control, 2005,34(5):560-566.

[14] ODILI J B, KAHAR M, NORAZIAH A. Swarm Intelligence Optimization Algorithms: a Review[J]. Journal of Telecommunication, Electronic, and Computer Engineering, 2018,10(1):22-28.

[15] EPSTEIN S L. Wanted: Collaborative Intelligence[J]. Artificial Intelligence, 2015,221:36-45.

[16] MAHER M, PAULINI M, MURTY P. Scaling up: from Individual Design to Collaborative Design to Collective Design[M]//GERO J. Design Computing and Cognition DCC’10. Dordrecht: Springer, 2010:581-599.

[17] LI W, WU W, WANG H, et al. Crowd Intelligence in AI 2.0 Era[J]. Frontiers of Information Technology & Electronic Engineering, 2017,18(1):15-43.

[18] XIAO S, WEI C, DONG M. Crowd Intelligence: Analyzing Online Product Reviews for Preference Measurement[J]. Information & Management, 2016,53(2):169-182.

[19] PREDIC B, STOJANOVIC D. Enhancing Driver Situational Awareness through Crowd Intelligence[J]. Expert Systems with Applications, 2015,42(1):4892-4909.

[20] GUZEL M S, KAYAKOKU H. A Collective Behavior Framework for Multi-agent Systems[M]//ZHANG D, WEI B. Mechatronics and Robotics Engineering for Advanced and Intelligent Manufacturing. Cham: Springer, 2016:61-71.

[21] KOZLAK J,

B, WILK D, et al. Agent-Based Decision-information System Supporting Effective Resource Management of Companies[M]//NGUYEN N, PIMENIDIS E, KHAN Z, et al. Computational Collective Intelligence. Cham: Springer, 2018:309-318.

[22] DELOACH S A, WOOD M F, SPARKMAN C H. Multiagent Systems Engineering[J]. International Journal of Software Engineering and Knowledge Engineering, 2001,11(3):231-258.

[23] NGUYEN N T, KOWALCZYK R, CHEN S. Computational Collective Intelligence: Semantic Web, Social Networks and Multiagent Systems[C]//First International Conference of Computational Collective Intelligence. Wroclaw, Poland: Springer-Verlag, 2009: 5-7.

[24] JUNG J J. Computational Collective Intelligence with Big Data: Challenges and Opportunities[J]. Future Generation Computer Systems, 2017,66:87-88.

[25] GREEN K C, ARMSTRONG J S, GRAEFE A. Methods to Elicit Forecasts from Groups: Delphi and Prediction Markets Compared[EB/OL]. [2019-08-20]. https://repository.upenn.edu/cgi/viewcontent.cgi?article=1168&context= marketing_ papers. 2007.

[26] BERG J E, RIETZ T A. Prediction Markets as Decision Support Systems[J]. Information Systems Frontiers, 2003,5(1):79-93.

[27] RIEDL C, BLOHM I, LEIMEISTER J M, et al. Rating Scales for Collective Intelligence in Innovation Communities: Why Quick and Easy Decision Making does not Get It Gight[EB/OL]. [2019].https://ssrn.com/abstract=1714524.

[28] Forbes H L, Schaefer D. Crowdsourcing in Product Development: Current State and Future Research Directions[EB/OL]. [2019-08-20]. https://www.designsociety.org/publication/40474/crowdsourcing+in+ product+development%3a+current+state+and+future+research+directions.

[29] RAO R V, VAKHARIA V J, SAVSANI D P. Teaching-learning-based Optimization: a Novel Method for Constrained Mechanical Design Optimization Problems[J]. Computer-Aided Design, 2011,43(3):303-315.

[30] KLEIN M. Achieving Collective Intelligence via Large-scale On-line Argumentation[C]//Second International Conference on Internet and Web Applications and Services. Morne, Mauritius: IEEE, 2007:21-22.

[31] SPIELMAN S E. Spatial Collective Intelligence? Credibility, Accuracy, and Volunteered Geographic Information[J]. Cartography and Geographic Information Science, 2014,41(2):115-124.

[32] HEYLIGHEN F. Self-organization in Communicating Groups: the Emergence of Coordination, Shared References and Collective Intelligence[M]//MASSIP A, BASTARDAS A. Complexity Perspectives on Language, Communication and Society. Berlin: Springer, 2013: 117-149.

[33] WISE S, PATON R, GEGENHUBER T. Value Co-creation through Collective Intelligence in the Public Sector: a Review of US and European Initiatives[J]. VINE, 2012,42(2):251-276.

[34] HEDJAZI D. Constructing Collective Competence: a New CSCW-based Approach[J]. International Journal of Information and Communication Technology, 2018,12(3/4):393-416.

[35] WOOLLEY A W, AGGARWAL I, MALONE T W. Collective Intelligence and Group Performance[J]. Current Directions in Psychological Science, 2015,24(6):420-424.

[36] MARIES I, SCARLAT E. Enhancing the Computational Collective Intelligence within Communities of Practice Using Trust and Reputation Models[M]//NGUYEN N T. Transactions on Computational Collective Intelligence Ⅲ. Berlin: Springer, 2011: 74-95.

[37] SZUBA T. A Formal Definition of the Phenomenon of Collective Intelligence and Its IQ Measure[J]. Future Generation Computer Systems, 2001,17(4):489-500.

[38] LUO S, XIA H, YOSHIDA T, et al. Toward Collective Intelligence of Online Communities: a Primitive Conceptual Model[J]. Journal of Systems Science and Systems Engineering, 2009,18(2):203-221.

[39] WOOLLEY A W, CHABRIS C F, PENTLAND A, et al. Evidence for a Collective Intelligence Factor in the Performance of Human Groups[J]. Science, 2010,330(6004):686-688.

[40] SLOWIK A, KWASNICKA H. Nature Inspired Methods and Their Industry Applications—Swarm Intelligence Algorithms[J]. IEEE Transactions on Industrial Informatics, 2018,14(3):1004-1015.

[41] FOSS R A. Major Mechanisms Contributing to Swarm Intelligence[J]. Systems Research and Behavioral Science, 2017,34(6):746-758.

[42] BONABEAU E, DORIGO M, THERAULAZ G. From Natural to Artificial Swarm Intelligence[M]. New York: Oxford University Press, 1999.

[43] KENNEDY J. Swarm Intelligence[M]//ZOMAYA A Y. Handbook of Nature-Inspired and Innovative Computing. Boston: Springer, 2006:21-34.

[44] YANG X S. A New Metaheuristic Bat-inspired Algorithm[M]//GONZALEZ J R, PELTA D A, CRUZ C, et al. Nature Inspired Cooperative Strategies for Optimization. Berlin: Springer, 2010: 65-74.

[45] YANG X, DEB S. Cuckoo Search via Lévy Flights[C]//World Congress on Nature & Biologically Inspired Computing. Coimbatore, India: IEEE, 2009: 9-11.

[46]

UKASIK S,

S. Firefly Algorithm for Continuous Constrained Optimization Tasks[M]//NGUYEN N T, KOWALCZYK R, CHEN S M. Computational Collective Intelligence. Berlin: Springer, 2009: 97-106.

[47] SHAH-HOSSEINI H. The Intelligent Water Drops Algorithm: a Nature-inspired Swarm-based Optimization Algorithm[J]. Bio-Inspired Computation, 2009,1(1/2):71-79.

[48] KARABOGA D, BASTURK B. On the Performance of Artificial Bee Colony Algorithm[J]. Applied Soft Computing, 2008,8(1):687-697.

[49] XING B, GAO W. Innovative Computational Intelligence: a Rough Guide to 134 Clever Algorithms[M]. Cham: Springer, 2013: 3-17.

[50] MARCO D, BONABEAU E, THERAULAZ G. Ant Algorithms and Stigmergy[J]. Future Generation Computer Systems, 2000,16(8):851-871.

[51] 梁晓龙, 孙强, 尹忠海, 等. 大规模无人系统集群智能控制方法综述[J]. 计算机应用研究, 2015,32(1):11-16.

LIANG Xiaolong, SUN Qiang, YI Zhonghai, et al. Review on Large-scale Unmanned System Swarm Intelligence Control Method[J]. Application Research of Computers, 2015,32(1):11-16.

[52] PENDHARKAR P C. Game Theoretical Applications for Multi-agent Systems[J]. Expert Systems with Applications, 2012,39(1):273-279.

[53] AHMED M, AHMAD M S, YUSOFF M Z M. A Collaborative Framework for Multiagent Systems[J]. International Journal of Agent Technologies and Systems, 2011,3(4):18-36.

[54] JENNINGS N R. Commitments and Conventions: the Foundation of Coordination in Multi-agent Systems[J]. The Knowledge Engineering Review, 1993,8(3):223-250.

[55] SYCARA K P. Multiagent Systems[J]. AI Magazine, 1998,19(2):79-94.

[56] DELOACH S A, WOOD M F, SPARKMAN C H. Multiagent Systems Engineering[J]. International Journal of Software Engineering and Knowledge Engineering, 2001,11(3):231-258.

[57] TICHY P, KADERA P, STARON R J, et al. Multi-agent System Design and Integration via Agent Development Environment[J]. Engineering Applications of Artificial Intelligence, 2012,25(4):846-852.

[58] LEONARD N E. Multi-agent System Dynamics: Bifurcation and Behavior of Animal Groups[J]. IFAC Proceedings Volumes, 2013,46(23):307-317.

[59] TAN M. Multi-agent Reinforcement Learning: Independent vs Cooperative Learning[M]//HUHNS M N, SINGH M P. Readings in Agents. Amherst: University of Massachusetts Press, 1997:330-341.

[60] LITTMAN M L. Markov Games as a Framework for Multi-agent Reinforcement Learning[C]//The 11th International Conference of Machine Learning. New Brunswick: Rutgers University, 1994: 157-163.

[61] WOLPERT D H, TUMER K. An Introduction to Collective Intelligence[EB/OL]. [2019-08-20]. https://arxiv.org/ abs/ cs/ 9908014.1999.

[62] CHOI J, HOROWITZ R. Distributed Learning and Cooperative Control for Multi-agent Systems[J]. Automatica, 2009,45(12):2802-2814.

[63] TOSIC P T, VILALTA R. A Unified Framework for Reinforcement Learning, Co-learning and Meta-learning how to Coordinate in Collaborative Multi-agent Systems[J]. Procedia Computer Science, 2010,1(1):2217-2226.

[64] GONZALEZ-PARDO A, VARONA P, CAMACHO D, et al. Optimal Message Interchange in a Self-organizing Multi-agent System[M]//ESSAAIDI M, MALGERI M, BADICA C. Intelligent Distributed Computing IV. Studies in Computational Intelligence. Berlin: Springer, 2010: 131-141.

[65] JAEWOOK L. Conflict Resolution in Multi-agent Based Intelligent Environments[J]. Building and Environment, 2010,45(3):574-585.

[66] YU J, WANG L. Group Consensus of Multi-agent Systems with Directed Information Exchange[J]. International Journal of Systems Science, 2012,43(2):334-348.

[67] MALESZKA M, NGUYEN N T. Integration Computing and Collective Intelligence[J]. Expert Systems with Applications, 2015,42(1):332-340.

[68] AYDIN M E, Fellows R. Building Collaboration in Multi-agent Systems Using Reinforcement Learning[M]//NGUYEN N, PIMENIDIS E, KHAN Z, et al. Computational Collective Intelligence. Cham: Springer, 2018: 201-212.

[69] BOUTILIER C. Learning Conventions in Multiagent Stochastic Domains Using Likelihood Estimates[C]//The 12th International Conference on Uncertainty in Artificial Intelligence. Portland: Morgan Kaufmann Publishers, 1996: 106-114.

[70] BOUTILIER C. Planning, Learning and Coordination in Multiagent Decision Processes[C]//The 6th Conference on Theoretical Aspects of Rationality and Knowledge. Netherlands: Morgan Kaufmann Publishers, 1996: 195-210.

[71] SABATER-MIR J, SIERRA C. Reputation and Social Network Analysis in Multi-agent Systems[C]//The First International Joint Conference on Autonomous Agents & Multiagent Systems. New York: ACM, 2002:475-482.

[72] RAMCHURN S D, HUYNH D, JENNINGS N R. Trust in Multi-agent Systems[J]. The Knowledge Engineering Review, 2004,19(1):1-25.

[73] HUYNH T D, JENNINGS N R, SHADBOLT N. Developing an Integrated Trust and Reputation Model for Open Multi-agent Systems[C]//the 7th International Workshop on Trust in Agent Societies. Southampton: University of Southampton, 2004:65-74.

[74] RAMCHURN S D, JENNINGS N R, SIERRA C. Devising a Trust Model for Multi-agent Interactions Using Confidence and Reputation[J]. Applied Artificial Intelligence, 2004,18(9):833-852.

[75] WANG X, MAGHAMI M, SUKTHANKAR G. Leveraging Network Properties for Trust Evaluation in Multi-agent Systems[C]//2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology. Washington DC: IEEE, 2011: 288-295.

[76] BURNETT C, NORMAN T J, SYCARA K P. Trust Decision-making in Multi-agent Systems[C]//WALSH T. Proceedings of the Twenty Second International Joint Conference on Artificial Intelligence. Menlo Park, California, 2011:61-66.

[77] DAS A, ISLAM M M. Secured Trust: a Dynamic Trust Computation Model for Secured Communication in Multiagent Systems[J]. IEEE Transactions on Dependable and Secure Computing, 2011,9(2):261-274.

[78] MURTY P, PAULINI M, MAHER M L. Collective Intelligence and Design Thinking[EB/OL]. [2019-08-20]. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.717.5878&rep=rep1&type=pdf. 2010.

[79] DELIDDO A, SANDOR width=14,height=17,dpi=110

, SHUM S B. Contested Collective Intelligence: Rationale, Technologies, and a Human-machine Annotation Study[J]. Computer Supported Cooperative Work, 2012,21(4/5):417-448.

[80] FLORES R L, BELAUD J, LANN J, et al. Using the Collective Intelligence for Inventive Problem Solving: a Contribution for Open Computer Aided Innovation[J]. Expert Systems with Applications, 2015,42(23):9340-9352.

[81] SPIELMAN S E. Spatial Collective Intelligence? Credibility, Accuracy, and Volunteered Geographic Information[J]. Cartography and Geographic Information Science, 2014,41(2):115-124.

[82] LEE J, CHANG M. Stimulating Designers’ Creativity Based on a Creative Evolutionary System and Collective Intelligence in Product Design[J]. International Journal of Industrial Ergonomics, 2010,40(3):295-305.

[83] BONABEAU E. Decisions 2.0: the Power of Collective Intelligence[J]. MIT Sloan Management Review, 2009,50(2):45-52.

[84] MALEEWONG K, ANUTARIYA C, WUWONGSE V. SAM: Semantic Argumentation-based Model for Collaborative Knowledge Creation and Sharing System[M]//NGUYEN N T, KOWALCZYK R, CHEN S M. Computational Collective Intelligence. Semantic Web, Social Networks and Multiagent Systems. Berlin: Springer, 2009: 75-86.

[85] BUCHELER T, SIEG J H, FUCHSLIN R M, et al. Crowdsourcing, Open Innovation and Collective Intelligence in the Scientific Method: a Research Agenda and Operational Framework[C]//The 12th International Conference on the Synthesis and Simulation of Living Systems. Cambridge: MIT Press, 2010:19-23.

[86] LONGO L, DONDIO P, BARRETT S. Enhancing Social Search: a Computational Collective Intelligence Model of Behavioural Traits, Trust and Time[M]//NGUYEN N T, KOWALCZYK R. Transactions on Computational Collective Intelligence Ⅱ. Berlin: Springer, 2010: 46-69.

[87] HIGHT C, PERRY C. Collective Intelligence in Design[J]. Architectural Design, 2006,76(5):5-6.

[88] GREGG D G. Designing for Collective Intelligence[J]. Communications of the ACM, 2010,54(3):134-138.

[89] OREILLY T. What Is Web 2.0: Design Patterns and Business Models for the Next Generation of Software[J]. Communications & Strategies, 2007(1):17-23.

[90] BOTHOS E, APOSTOLOU D, MENTZAS G. Collective Intelligence for Idea Management with Internet-based Information Aggregation Markets[J]. Internet Research, 2009,19(1):26-41.

[91] GAING Z. A Particle Swarm Optimization Approach for Optimum Design of PID Controller in AVR System[J]. IEEE Transactions on Energy Conversion, 2004,19(2):384-391.

[92] 于颖, 李永生, 於孝春. 粒子群算法在工程优化设计中的应用[J]. 机械工程学报, 2008,44(12):226-231.

YU Ying, LI Yongsheng, YU Xiaochun. Application of Particle Swarm Optimization in the Engineering Optimization Design[J]. Chinese Journal of Mechanical Engineering, 2008,44(12):226-231.

[93] TANG Y, MA Y, TANG X. An Improved ant Colony Algorithm for Function Optimization[J]. Application Research of Computers, 2004(9):21-27.

[94] 盛晓华, 叶春明. 蝙蝠算法在PFSP调度问题中的应用研究[J]. 工业工程与管理, 2013,16(1):119-124.

SHENG Xiaohua, YE Chunming. Application of Bat Algorithm to Permutation Flow-shop Scheduling Problem[J]. Industrial Engineering Journal, 2013,16(1):119-124.

[95] 鲁建厦, 翁耀炜, 李修琳, 等. 混合人工蜂群算法在混流装配线排序中的应用[J]. 计算机集成制造系统, 2014,20(1):121-127.

LU Jianxia, WENG Yaowei, LI Xiulin, et al. Application of Hybrid Artificial Bee Colony Algorithm in Mixed Assembly Lines Sequencing[J]. Computer Integrated Manufacturing Systems, 2014,20(1):121-127.

[96] 马慧民, 叶春明, 柳毅. 基于改进粒子群算法的生产批量计划问题研究[J]. 计算机集成制造系统, 2006,12(9):1417-1420.

MA Huimin, YE Chunming, LIU Yi. Improved Particle Swarm Optimization Algorithm for Dynamic Lot-sizing Problem[J]. Computer Integrated Manufacturing Systems, 2006,12(9):1417-1420.

[97] DIAS-FERREIRA J, RIBEIRO L, AKILLOGLU H, et al. BIOSOARM: a Bio-inspired Self-organising Architecture for Manufacturing Cyber-physical Shopfloors[J]. Journal of Intelligent Manufacturing, 2018,29(7):1659-1682.

[98] KUMAR S K, MUDDADA R, PANDEY M K, et al. Logistics Planning and Inventory Optimization Using Swarm Intelligence: a Third-party Perspective[J]. The International Journal of Advanced Manufacturing Technology, 2013,65(9):1535-1551.

[99] BELL J E, GRIFFIS S E. Swarm Intelligence: Application of the Ant Colony Optimization Algorithm to Logistics-oriented Vehicle Routing Problems[J]. Journal of Business Logistics, 2010, 31(2):157-175.

[100] 陈歆技, 丁同奎, 张钊. 蚁群算法在配电网故障定位中的应用[J]. 电力系统自动化, 2006,30(5): 74-77.

CHEN Xinji, DING Tongkui, ZHANG Zhao. Ant Colony Algorithm for Solving Fault Location in Distribution Networks[J]. Automation of Electric Power Systems, 2006,30(5):74-77.

[101] 付家才, 陆青松. 基于蝙蝠算法的配电网故障区间定位[J]. 电力系统保护与控制, 2015(16):100-105.

FU Jiacai, LU Qingsong. Fault Sections Location of Distribution Network Based on Bat Algorithm[J]. Power System Protection and Control, 2015(16):100-105.

[102] 夏亚梅, 程渤, 陈俊亮, 等. 基于改进蚁群算法的服务组合优化[J]. 计算机学报, 2012,35(2):270-281.

XIA Yamei, CHENG Bo, CHEN Junliang, et al. Optimizing Services Composition Based on Improved ant Colony Algorithm[J]. Chinese Journal of Computers, 2012,35(2):270-281.

[103] 周清雷, 陈明昭, 张兵. 多目标人工蜂群算法在服务组合优化中的应用[J]. 计算机应用研究, 2012,29(10):3625-3628.

ZHOU Qinglei, CHEN Mingzhao, ZHANG Bing. Multi-objective Artificial Bee Colony Algorithm Applied in QoS-aware Service Composition Optimization[J]. Application Research of Computers, 2012,29(10):3625-3628.

[104] LIN Y, CHOU Y, SHIAU J, et al. Multi-agent Negotiation Based on Price Schedules Algorithm for Distributed Collaborative Design[J]. Journal of Intelligent Manufacturing, 2013,24(3):545-557.

[105] WANG H, ZHANG H. A Distributed and Interactive System to Integrated Design and Simulation for Collaborative Product Development[J]. Robotics and Computer-Integrated Manufacturing, 2010,26(6):778-789.

[106] MONOSTORI L, VANCZA J, KUMARA S R T. Agent-based Systems for Manufacturing[J]. CIRP Annals, 2006,55(2):697-720.

[107] ALSAFI Y, VYATKIN V. Ontology-based Reconfiguration Agent for Intelligent Mechatronic Systems in Flexible Manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2010,26(4):381-391.

[108] NEJAD H T N, SEGIMURA N, IWAMURA K, et al. Multi Agent Architecture for Dynamic Incremental Process Planning in the Flexible Manufacturing System[J]. Journal of Intelligent Manufacturing, 2010,21(4):487-499.

[109] LEITAO P, BARBOSA J, TRENTESAUX D. Bio-inspired Multi-agent Systems for Reconfigurable Manufacturing Systems[J]. Engineering Applications of Artificial Intelligence, 2012,25(5):934-944.

[110] BARENJI R V, BARENJI A V, HASHEMIPOUR M. A Multi-agent RFID-enabled Distributed Control System for a Flexible Manufacturing Shop[J]. The International Journal of Advanced Manufacturing Technology, 2014,71(9):1773-1791.

[111] CIORTEA A, MAYER S, MICHAHELLES F. Repurposing Manufacturing Lines on the Fly with Multi-agent Systems for the Web of things[C]// The 17th International Conference on Autonomous Agents and MultiAgent Systems. Stockholm: ACM, 2018: 813-822.

[112] SHAFIQ S I, SANIN C, SZCZERBICKI E, et al. Towards an Experience Based Collective Computational Intelligence for Manufacturing[J]. Future Generation Computer Systems, 2017,66:89-99.

[113] SHEN W, HAO Q, WANG S, et al. An Agent-based Service-oriented Integration Architecture for Collaborative Intelligent Manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2007,23(3):315-325.

[114] XIANG W, LEE H P. Ant Colony Intelligence in Multi-agent Dynamic Manufacturing Scheduling[J]. Engineering Applications of Artificial Intelligence, 2008,21(1):73-85.

[115] GUO Q, ZHANG M. An Agent-oriented Approach to Resolve Scheduling Optimization in Intelligent Manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2010,26(1):39-45.

[116] SKOBELEV P. Multi-agent Systems for Real Time Resource Allocation, Scheduling, Optimization and Controlling: Industrial Applications[M]//MARIK V, VRBA P, LEITAO P. Holonic and Multi-Agent Systems for Manufacturing. Berlin: Springer, 2011:1-14.

[117] KOZLAK

B, WILK D, et al. Agent-based Decision-information System Supporting Effective Resource Management of Companies[M]//NGUYEN N, PIMENIDIS E, KHAN Z, et al. Computational Collective Intelligence. Berlin: Springer, 2018: 309-318.

[118] TRAPPEY A J C, LU T H, FU L D. Development of an Intelligent Agent System for Collaborative Mold Production with RFID Technology[J]. Robotics and Computer-Integrated Manufacturing, 2009,25(1):42-56.

[119] FU J, FU Y. Case-based Reasoning and Multi-agents for Cost Collaborative Management in Supply Chain[J]. Procedia Engineering, 2012,29:1088-1098.

[120] HERNANDEZ J E, MULA J, POLER R, et al. Collaborative Planning in Multi-tier Supply Chains Supported by a Negotiation-based Mechanism and Multi-agent System[J]. Group Decision and Negotiation, 2014,23(2):235-269.

[121] PAL K, KARAKOSTAS B. A Multi Agent-based Service Framework for Supply Chain Management[J]. Procedia Computer Science, 2014,32:53-60.

[122] FU J, FU Y. An Adaptive Multi-agent System for Cost Collaborative Management in Supply Chains[J]. Engineering Applications of Artificial Intelligence, 2015,44:91-100.

[123] GIANNAKIS M, LOUIS M. A Multi-agent Based System with Big Data Processing for Enhanced Supply Chain Agility[J]. Journal of Enterprise Information Management, 2016,29(5):1-19.

[124] EVANS R D, GAO J X, MAHDIKHAH S, et al. A Review of Crowdsourcing Literature Related to the Manufacturing Industry[J]. Journal of Advanced Management Science, 2016,4(3):224-321.

[125] 张超群, 郑建国, 王翔. 蜂群算法研究综述[J]. 计算机应用研究, 2011,28(9):3201-3214.

ZHANG Chaoqun, ZHENG Jianguo, WANG Xiang. Overview of Research on Bee Colony Algorithms[J]. Application Research of Computers, 2011,28(9):3201-3214.

[126] BESSIS N, ASIMAKOPOULOU E, FRENCH T, et al. The Big Picture, from Grids and Clouds to Crowds: a Data Collective Computational Intelligence Case Proposal for Managing Disasters[C]//International Conference on P2P, Parallel, Grid, Cloud and Internet Computing. Fukuoka, Japan: IEEE, 2010:28-37.