随着大数据、物联网和智能控制等技术与制造业的深度融合,传统制造开始向智能制造转变,而供应链协同作为一种高效的供应链管理方式对智能制造的发展具有重要意义,已经引起学术界的广泛关注和研究。针对智能制造场景下供应链需求不确定、制造企业间协作水平低、环境影响大、服务质量不高等问题,通过收集历史需求数据,建立供应链需求预测模型,实现基于需求预测的供应链协同优化,提升智能制造企业的协同水平和用户满意度。本文主要研究智能制造场景下的供应链需求预测模型,以及基于需求预测的供应链协同优化问题,具体的研究内容如下:（1）提出了基于LSTM的供应链需求预测模型。基于智能制造供应链收集的时间序列数据,本文提出了一种名为IPSO-LSTM-corr的预测模型,该模型是在LSTM的基础上采用改进的粒子群算法对网络的隐藏层神经元数目、学习率等参数进行优化,并且在LSTM的输出端添加了一层用于校正输出结果的校正层,从而实现参数自动优化,可以提供更精确的预测结果。实验结果表明IPSO-LSTM-corr模型的预测效果和训练速度明显好于LSTM模型,为后续供应链协同模型的建立奠定基础。（2）提出了面向智能制造的供应链协同优化模型。基于预测模型的结果,本文建立了一个面向智能制造的供应链协同优化模型。文中以一个两级且包含多个生产阶段的供应链为例,在考虑供应链成本的同时,将碳排放量作为另一个优化目标,并且分别考虑了生产、运输和库存过程中成本对碳排放量的影响。为求解提出的多目标优化模型,本文对Ag MOPSO算法进行改进,通过改进惯性权重更新方式提升了算法的寻优能力和收敛速度,针对求解过程中外部存档中解数目太少的情况,提出一种局部进化策略。实验结果表明本文提出的供应链协同优化模型可以显著降低智能制造场景下供应链的成本和碳排放量,且改进的算法具有良好的寻优能力和收敛速度。