在经济全球化、竞争国际化和信息爆炸的时代，利用“敏捷制造”理念改造企业， 通过动态联盟的组织形式来管理和全面提升行业性企业集团的市场竞争力，推行共赢策 略，是近年来在国内外逐渐受到重视的一种新的管理理念与生产模式。本文吸收敏捷制 造、分散网络化制造和CIMS等先进制造模式的思想和哲学，结合中国模具行业的特点， 按照“以信息化带动工业化，以工业化促进信息化”方针，提出适合中国国情的区域性 模具网络化制造企业动态联盟的战略模式。 模具工业是国民经济的重要基础工业，模具设计和制造则是机械制造业中最活跃的 支柱产业之一。在目前我国社会经济发展水平下，面对市场的不可预测，盟主企业不具 备判断优势资源的能力，并且对盟友伙伴的诚信也很难把握。在技术上，跨区域实现敏 捷供应链、协同设计制造，也因为各地方信息化建设水平参差不齐，动态联盟的敏捷性， 稳定性也会大打折扣。 本文首先分析了网络化制造的现实意义和总体目标。认为制造业只有自觉、主动地 利用信息技术来改造和强化自身，改造企业现行不合理的组织结构，实现制造过程的低 成本运行，努力提高对市场需求的快速响应能力和市场竞争能力，才是发展创新之路。 分析了网络化制造的共性关键技术，特别是作为核心技术的CSCW技术、协同设计和协 同制造技术。然后回顾了国内外网络化制造的研究现状。 根据中国模具行业的特点，运用敏捷制造思想，分析建立区域性模具网络化制造企 业动态联盟的必然性，提出区域性模具网络化制造企业动态联盟(RDMNMEDA)模型。 区域性模具动态联盟在选择盟友上降低了风险，并强调政府主管部门的指导、组织和协 调，高校和研究、开发部门参与配合。这样在区域内实现网络化制造平台体系，充分利 用、盘活区域资源，就具有可能性和现实意义。提出组建RDMNMEDA的三个原则， 对RDMNMEDA运作模式进行了深入研究。 应用面向对象建模方法，从外部用户角度，分析并建立RDMNMEDA模型。分析了 该模型系统的静态功能，构筑了模具网络化制造动态联盟系统层次架构，即联盟战略层， 盟员企业层，项目管理层，任务执行层，并分别阐述这四层结构的特点和功能。以各企 业优势资源为主线，将盟员企业层的资源的载体称为“角色元”。从角色元的角度考察 模具企业动态联盟，便于在复杂的各种关系中分析各种资源的组合情况。然后以此为基 础，分析RDMNMEDA全生命周期各阶段建模的主要工作内容。 从时间和成本上分析了区域性模具网络化制造企业动态联盟建盟的特点。从任务分 解，确定候选盟员，任务分配等三个阶段分析了建模过程。建立了RDMNMEDA任务 分解模式——模具制造协同链(DMCC)模型,并分析了该模型的串行和并行工作流特 点;进而建立了RDMNMEDA建盟过程的数学模型，然后分析了RDMNMEDA建盟模 型的物理意义以及建盟的三种模式。还简要介绍了多数据库技术、分布式对象技术、工 作流技术和Agent技术等动态联盟信息和过程集成的使能技术，并应用信息和过程集成 的使能技术构建了模具制造敏捷协同链(DMACC)模型。最后建立了DMACC中的多 代理系统(MAS)，分析了其中的Agent结构和功能。针对DMACC模型中环节角色的 分配，本文提出建立企业角色申请代理(RAA),角色封装代理(REA)的新概念，以 及“即封装即运作”的思想，赋予动态联盟企业对市场机遇的快速敏捷响应能力。 在RDMNMEDA伙伴的优化选择研究中，首先建立合作伙伴选择指标体系，包括 交货时间(T)、加工质量(Qu)、加工成本(C)、信誉度(CR)和敏捷性(AG)。 采用层次分析法(AHP)确定各指标的权重。进而对RDMNMEDA合作伙伴优化选择进 行了数学描述。把动态联盟建盟过程中合作伙伴的选择抽象为多目标优化的问题，并建 立了优化选择目标函数，以获得最优解，从而高效、准确地寻找动态联盟伙伴的最佳组 合。 为此，本文首次引入新颖的仿生进化算法——蚁群算法,用于寻求动态联盟伙伴组 合中多目标优化问题的全局最优解。阐述了蚁群算法的发展、特点和应用情况，详细分 析了基本蚁群算法的原理、算法模型、算法实现，以及蚁群算法的研究进展。 针对基本蚁群算法存在着极易陷入停滞的问题，本文创造性地提出“小生境蚁群算 法”(Microhabitat ACO,MACO)。MACO在利用正反馈的同时，引入时变参数来利用 经验信息和启发信息，并在局部寻优时结合了遗传算法的思想，从而有效地防止遗传算 法中出现的“早熟”问题和蚂蚁算法中发生的“停滞”状态。并通过一个实际例子，说 明了选择区域性模具网络化制造动态联盟DMACC合作伙伴的全过程,也证明了MACO 在组建动态企业联盟时快速选择联盟伙伴过程中求解“组合爆炸”问题的实际效果。 最后通过分析和组建某地区模具网络化制造系统的建设实例，说明了RDMNMEDA 在实践中的应用情况。 关键词:区域性动态联盟，模具网络化制造，模具制造敏捷协同链，伙伴的优化选择，蚁群算法，小生境蚁群算法