FACTS Analyzer是一個創新的仿真優化軟件（SBO軟件=Simulation Based Optimization)，用于模擬和優化早期開發階段的新工廠或生產概念。首字母縮寫FACTS代表使用仿真模擬進行概念階段的工廠分析（Factory Analysis in ConcepTual phases using Simulation）。當不同的設計概念相互評估時，仿真模擬結果（可能結合優化）應該用以決策支持。FACTS分析器創新的SBO技術可以提供有關制造和復雜生產控制的廣泛知識和見解。

產品歷史

FACTS Analyzer是由瑞典Skövde大學的學者Ng博士和Bernedixen博士等人研發、一款基于網絡服務并行仿真（WPADS)的仿真優化平臺，最初是由VINNOVA資助的瑞典研究項目，于2005-2008年期間由瑞典汽車工業通過MERA項目提供資金和項目應用支持。在該項目中，Evoma公司通過創新性地集成模型抽象和基于仿真的優化算法（SBO）,成功地證明了“前加載”仿真技術支持生產系統設計早期階段的巨大潛力。該項目交付的主要軟件工具稱為FACTS Analyzer（即FACTS分析器）,專門設計用于在概念設計階段支持新工廠設計、整體分析和全系統優化。FACTS優化分析器商業版名為FACTS Analyzer Professional（專業版），在與瑞典的工業合作伙伴進行了數年的軟件開發和廣泛的現場測試后，于2014年首次推出。Ng博士在2018年冬季仿真大會揭曉了該項新技術成果，展示了FACTS在工業界尤其是瑞典的汽車行業的應用能力，從SBO技術上說FACTS分析器已經走在工業數字化最前沿。

核心技術與特點
盡管系統仿真為設計和分析復雜的生產系統提供了巨大的希望，制造業在運用仿真作為決策支持工具上卻并不太成功，特別是在工廠流程設計的早期概念階段。今天業界將仿真用于系統設計，主要還是在已作出重要設計決策且成本已鎖定的后期階段使用。FACTS分析器則提倡在工廠設計和分析的早期階段使用仿真模擬和優化技術，FACTS Analyzer是一個基于集成模型抽象概念開發的工具集，是在一個創新的互聯網平臺下自動生成模型和基于仿真的優化。具體來說，它提出了一種全新的模型聚合和生成方法，與其他系統組件（如優化引擎）一起，可以綜合地使仿真更加易于使用，加快了耗時的模型建立、仿真實驗和優化過程，以支持工業最優決策。

現在的制造系統、供應鏈系統和公共服務系統，變得日趨復雜，以至于采用數學解析解法變得困難。仿真建模技術作為第三種方法論被大力提倡，用于解決復雜隨機系統的模擬和分析。離散事件系統仿真本質上是評估類型的，而不建議任何最佳設計。對于決策者來說，找到一個足夠好的設計的過程設置可能太耗時，而且在許多情況下，如果搜索空間很大，則不可能進行設置?；诜抡娴膬灮⊿BO）是一種近些年相對較新的技術，用于尋找基于一個或多個性能指標的復雜系統的最優輸入參數，通過使用各種搜索方法從仿真中生成。SBO是一種在解決現實問題方面具有巨大潛力的黑科技。

幾乎所有今天的商業SBO優化軟件包仍然有幾個主要的限制：（1）它們在確定性模式下工作，不考慮DES的隨機輸出；（2）它們確實沒有明確地、有效地解決多目標化問題，并且（3）與大多數DES包類似，大多數可用的SBO工具是需要在用戶計算機上本地安裝和運行的傳統軟件（運行速度慢）?；ヂ摼W和網絡技術可以使研究以及商業機會得到"爆炸性"增長，基于網絡的仿真模擬（WBS）得到重點關注和研究。FACTS分析器是基于英特網計算的DES和SBO軟件，是這個領域的強大挑戰者。

FACTS分析器為了設計、分析和改善復雜生產系統而開發，帶有多目標優化支持。它采用基于C/S系統架構，支持并行和分布式基于仿真的優化，支持多線程隨機實驗和并行的SBO過程。在FACTS服務器上，多種優化算法、基于人工神經網絡（ANN）的元模型、隨機仿真系統、和SQL數據庫管理系統整合，很多用戶可以通過網絡服務技術同時訪問服務。

基于網絡的并行分布式仿真（WPADS）是FACTS分析器的一大基礎技術：即在通過通訊網絡相連的、包含多個處理器的計算平臺上執行仿真程序。它可以用來減少執行時間和/或解決諸如地理分布問題（如多個參與者），來自不同制造商的異構仿真器、容錯問題等。

FACTS分析器采用了一種新穎的處理多種產品變種的方法，允許多種產品流動以樹結構的方式搜集(flow selections)，加上控制對象庫PCM中“選擇對象”(selection objects)的使用，使得優化器能夠自動評估不同的設計選項,效率比傳統的仿真方案管理器更高。

具有豐富的離散事件仿真對象（DES Module），也有生產控制對象（PCMs）。比較值得一提的是，這些生產控制對象都是基于多年的工業實踐不斷完善的對象設計，并盡量將其通用化，PCM對象允許對當今工業中常見的復雜生產流進行建模，而無需定制編程，保持其易用性。（圖：DES對象和PCM對象搭建的汽車發動機生產線）

創新的優化器算法（MOO多目標優化）

由于資金和資源的限制，制造業中幾乎所有的問題本質上都是多目標的。多目標優化有助于回答以下問題：實現目標能力的最小投資成本是多少？緩沖區的最小數量是多少？在哪里放置緩沖區（最佳緩沖區分配）以達到目標容量？為了提高產線的整體能力（新的瓶頸分析定義），最小變化點是什么？在哪里？與許多離散事件仿真包（通常其優化只是附加功能）不同，基于仿真的優化（SBO）是FACTS分析器的重要集成模塊，它方便管理人員/工程師運行先進的、基于人工智能的優化，以尋求設計變量的最佳組合，從而在生產系統的設計和改進中支持更有信心的決策。集成的SBO模塊使模型中的任何變量都有可能被優化，而不像很多商業離散事件仿真軟件那樣，在這種情況下，它們必須以編程代碼的形式添加優化變量。FACTS分析器還固有地支持對生成的帕累托最優解進行多目標優化和“后優化分析”，以獲得更深入的知識，例如，挖掘關于多個優化目標的關鍵影響變量之間的關系。比如采用SCORE頻率圖，帕累托曲面，Parallel Coordinates（平行坐標軸）的顯示方法等等。除了擁有多個創新的“多目標”優化算法（如NSGA-II,NSGA-III等），也包括了傳統優化器算法如DE,PSO，以及仿真實驗設計（SDOE)方面的方法論：如LHS拉丁超級立方體，FFD全因子設計等等。
 

分布式云計算平臺（WPADS高性能仿真）
FACTS分析器不僅僅是一個快速建模仿真軟件，它還是一個支持web服務的SBO仿真優化系統。隨著某些服務器組件可以由一個或多個云計算提供商托管的潮流想法，將FACTS 分析器擴展為支持云的SBO系統的想法源于2014年，它允許高級用戶連接到云計算服務，極大地加快他們的優化運行速度。典型地，如果一個仿真模型需要一個CPU 1分鐘來執行一次運行，并且需要10次運行樣本，那么5000次評估的優化將花費50個小時，這對任何決策者來說都是一個令人望而卻步的漫長等待。如果在一個云計算平臺上將優化運算分發到50個CPU上（甚至更多），則可以在1小時以內得到優化結果。這是基于云模擬的強項，用戶無需為了執行速度而犧牲建模的細節。FACTS分析器在WPADS架構方面的設計是有自己的核心技術的。