为实现对云请求端制造需求的快速响应并提供最理想的制造云,在定义制造云服务(manufacturing cloudservice,MCS)的基础上,提出了MCS混合粒度动态优化组合方法.通过对制造服务需求的解析,将MCS按照粒度从大到小的顺序进行匹配,实现了云...为实现对云请求端制造需求的快速响应并提供最理想的制造云,在定义制造云服务(manufacturing cloudservice,MCS)的基础上,提出了MCS混合粒度动态优化组合方法.通过对制造服务需求的解析,将MCS按照粒度从大到小的顺序进行匹配,实现了云池资源的初次过滤;然后构建基于总服务成本、服务质量和交易期的制造云多目标优化数学模型,并引入Epsilon-SPEA2优化算法对该优化问题进行求解,从而快速高效地获得Pareto最优解;采用基于改进优劣解距离(technique for order preference by similarity to an ideal solution,TOPSIS)的动态多属性决策方法对Pareto最优解所代表的互为非支配的MCS组合方案进行评价排序,筛选出最优的MCS组合方案.最后结合某区域模具公司群所能提供的制造服务以及相应历史数据,依据客户需求进行MCS的动态优化组合仿真,验证了文中方法的可行性和实用性.展开更多
文摘为实现对云请求端制造需求的快速响应并提供最理想的制造云,在定义制造云服务(manufacturing cloudservice,MCS)的基础上,提出了MCS混合粒度动态优化组合方法.通过对制造服务需求的解析,将MCS按照粒度从大到小的顺序进行匹配,实现了云池资源的初次过滤;然后构建基于总服务成本、服务质量和交易期的制造云多目标优化数学模型,并引入Epsilon-SPEA2优化算法对该优化问题进行求解,从而快速高效地获得Pareto最优解;采用基于改进优劣解距离(technique for order preference by similarity to an ideal solution,TOPSIS)的动态多属性决策方法对Pareto最优解所代表的互为非支配的MCS组合方案进行评价排序,筛选出最优的MCS组合方案.最后结合某区域模具公司群所能提供的制造服务以及相应历史数据,依据客户需求进行MCS的动态优化组合仿真,验证了文中方法的可行性和实用性.