制造云服务组合柔性评价指标体系研究

制造云服务组合作为提高云制造资源利用率、实现制造资源增值的关键途径之一,对于云制造的实施和开展具有重要作用。在明确制造云服务及制造云服务组合柔性概念的基础上,系统分析云制造全生命周期内制造云服务组合柔性的影响因素,并从任务发出企业的角度建立了包括四个一级指标和九个二级指标在内的制造云服务组合柔性评价指标体系,为进一步构建制造云服务组合柔性评价模型、完善制造云服务组合优选系统、实现高效智能化的制造云服务管理提供理论支持。

制造云服务组合柔性的四维属性测度方法

云制造环境下服务资源进行动态组合时不可避免地遇到内、外部环境的不确定性,这些不确定性因素直接影响到制造云服务组合的执行成本、效率和质量。为了有效提升制造云服务组合的柔性,需要对其柔性能力进行测度。在假定某待选云服务集中的各服务资源能够以不同的效率替代完成任务的基础上,建立了考虑制造云服务组合柔性的效率柔性、冗余柔性、路径柔性和任务柔性的四维属性测度方法。最后,结合具体算例对该方法的应用过程进行了分析。

制造云服务组合柔性的多属性评价方法

云制造环境下制造云服务进行动态组合时会受到诸多不确定因素影响。不确定环境下,柔性较好的服务组合能更好地满足用户制造任务需求。为获取制造云服务组合柔性的评价结果,需要一套有效的服务组合柔性评价方法。在分析制造云服务组合各类柔性基础上,提出覆盖多类属性的制造云服务组合柔性评价方法,为相关企业构建和运用云制造服务平台提供决策理论和工具。

基于QoS感知的云制造服务组合区间多目标优化

针对云制造服务组合问题中广泛存在的不确定性,研究了一种基于服务质量(Quality of Service, QoS)感知的云制造服务组合区间多目标优化方法。该方法采用区间数来描述QoS属性的不确定性,考虑相邻子任务间的联结关系,构建以服务时间、服务成本和评价质量等QoS属性为优化目标的服务组合区间多目标优化模型,以微型多目标遗传算法为框架,引入佳点集改善初始种群,利用区间非支配分级方法,实现了对云制造服务组合区间多目标优化问题的直接求解,其求解效率也在工程示例中得到了验证。

云制造服务组合的研究

近年来,随着新一代信息技术的发展,云制造服务组合已成为一个研究热点。文中从云制造单任务和多任务的角度对国内外云制造服务组合的研究进行了讨论,归纳概括了云制造服务组合的相关特点,分析了现有云制造服务组合模型中的不足,提出了面向双侧的新型云制造服务组合模型,最后对未来的研究趋势进行了展望。

基于离散人工群算法的云制造服务组合

随着互联网、云计算等网络技术的快速发展,单一制造服务已无法满足用户日益复杂的制造任务,所以云制造服务组合问题一直是近年来应用和研究的热点,为典型NP难题。文中针对云制造服务组合优选问题,改进原始人工蜂群算法(Artificial Bee Colony,ABC),提出了一种基于局部搜索离散蜂群算法(Location Search Discrete Artificial Bee Colony,LSDABC),从而为用户选择服务质量(Quality of Service,Qo S)最优的服务组合执行路径。该算法引入种群的选择概率和对最优解的局部搜索策略,提升算法的开采能力、收敛速度,同时避免出现搜索停滞陷入局部最优。最后将LSDABC应用于云制造服务组合优选中进行仿真实验,并将结果与原始ABC、DE、PSO算法进行对比。实验结果表明,LSDABC具有较好的求解质量和鲁棒性。

基于动态参数蚁群算法的云制造服务组合

为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。DPACO算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全局最优解。最后通过钢铁锻造任务的云制造资源优选将DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明,DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。

一种实际多约束环境下的云制造服务组合动态自适应重构方法

以往云制造服务组合(Cloud manufacturing service composition,CMSC)优化是在制造服务少异常或约束的条件下进行的,这使得现有模型及方法无法适用于多种实际约束下的云制造服务组合优化,更无法在其执行过程出现服务异常时,对CMSC原执行路径进行自适应重构调整。为此,考虑云制造服务组合执行过程中不可忽视的原始CMSC执行路径强制时间约束、制造服务占用时间约束和制造服务强耦合约束,以CMSC的加工质量、成本、服务质量为优化目标,提出一种制造云服务出现异常时实际约束下的服务组合自适应重构调整模型(Cloud manufacturing service composition adaptive reconfiguration,CMSCAR)。为求解该模型,在详细分析所求问题的本质特征的基础上,集成多种优化策略,提出一种基于哈里斯鹰优化算法的服务组合动态重构算法(Service composition dynamic reconfiguration harris hawks optimization,SCDRHHO)。数值算例和应用案例表明,相比粒子群算法(Particle swarm optimization,PSO)、灰狼优化算法(Grey wolf optimizer,GWO)和蝠鲼觅食优化算法(Manta ray foraging optimization,MRFO)等对比算法,所提出的SCDRHHO能够在制造云服务异常出现时在多约束下对正在执行的服务组合进行高效地自适应重构调整,提高了云制造服务组合执行的鲁棒性。

Multi-Strategy Improvement of Sparrow Search Algorithm for Cloud Manufacturing Service Composition

In existing research,the optimization of algorithms applied to cloud manufacturing service composition based on the quality of service often suffers from decreased convergence rates and solution quality due to single-population searches in fixed spaces and insufficient information exchange.In this paper,we introduce an improved Sparrow Search Algorithm(ISSA)to address these issues.The fixed solution space is divided into multiple subspaces,allowing for parallel searches that expedite the discovery of target solutions.To enhance search efficiency within these subspaces and significantly improve population diversity,we employ multiple group evolution mechanisms and chaotic perturbation strategies.Furthermore,we incorporate adaptive weights and a global capture strategy based on the golden sine to guide individual discoverers more effectively.Finally,differential Cauchy mutation perturbation is utilized during sparrow position updates to strengthen the algorithm's global optimization capabilities.Simulation experiments on benchmark problems and service composition optimization problems show that the ISSA delivers superior optimization accuracy and convergence stability compared to other methods.These results demonstrate that our approach effectively balances global and local search abilities,leading to enhanced performance in cloud manufacturing service composition.