CN103810642A - 基于Web服务的协同制造控制方法及控制系统 - Google Patents
基于Web服务的协同制造控制方法及控制系统 Download PDFInfo
- Publication number
- CN103810642A CN103810642A CN201310715400.6A CN201310715400A CN103810642A CN 103810642 A CN103810642 A CN 103810642A CN 201310715400 A CN201310715400 A CN 201310715400A CN 103810642 A CN103810642 A CN 103810642A
- Authority
- CN
- China
- Prior art keywords
- service
- centerdot
- series connection
- solution
- collaborative manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Web服务的协同制造控制方法及控制系统。其中,基于Web服务的协同制造控制方法包括如下步骤:确定完成协同制造所需的多个纵向任务节点;对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联服务组合;对所述多组串联服务组合进行寻优,确定协同制造的方法。基于本发明,可以更为有效地支撑集群企业间的资源共享,通过协同制造,使中小企业能够更好地应对市场需求。
Description
技术领域
本发明涉及制造服务技术领域,特别涉及一种基于Web服务的协同制造控制方法及控制系统。
背景技术
当今世界经济的版图是被产业集群所控制,即相关产业通过地理上的集中,从而在本领域获得不同寻常的竞争优势。随着国内近些年的经济快速增长,一些产业集群已经在世界上获得了一定的声誉,如浙江省湖州市的纺织服装产业集群,广东省东莞市的电子产品制造集群等。但是,中国的工业集群仍然处于初级发展阶段,很多企业仅仅是地理上的集中,集群内部产业分工与合作水平低,没有形成网络组织的结构优势(产业关联、互相依存、和专业化分工),尤其以资源驱动型和规划引导型集群最为突出。随着金融危机的出现,国际市场需求跌宕起伏,对于中小企业而言,依靠自身的力量和资源难以应对目前的严峻形势,旧有的发展模式已经越来越难以为继。
以珠三角地区为例,与危机前相比,外向型企业的出口和订单下降幅度在20%~50%之间。在恶劣的市场环境下,中小企业往往处于被动适应的状态:一方面,需要维持一定数量的产能与规模,以保证企业的生存;另一方面,又不能维持的产能过高,否则运行成本会难以承受。但是,在市场需求发生剧烈波动的时候,这种运行模式往往使企业处于两难境地:如果订单激增,企业依靠自身的力量和资源难以承担;如果订单骤减,又会造成企业资源的闲置和浪费。对于中小企业而言,必须借助外部的力量,通过协同制造,才能应对目前的严峻形势。
随着信息技术的发展,企业以自身信息系统中的业务模块为依托,对企业 的制造能力进行Web封,并通过平台进行服务资源注册发布。企业之间的协同制造需要通过服务资源之间的动态组合来实现。
因此,如何基于Web服务进行更好的协同制造控制,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提出一种基于Web服务的协同制造控制方法及控制系统,以通过协同制造,使中小企业能够更好地应对市场需求。
第一方面,本发明公开了一种基于Web服务的协同制造控制方法,包括如下步骤:步骤1,确定完成协同制造所需的多个纵向任务节点;步骤2,对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;步骤3,对所述多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
第二方面,本发明还公开了一种基于Web服务的协同制造控制系统,包括:纵向任务节点确定模块、串联服务组合确定模块和协同制造方法确定模块。其中,纵向任务节点确定模块用于确定完成协同制造所需的多个纵向任务节点;串联服务组合确定模块用于对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;协同制造方法确定模块用于对所述多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
本发明不仅考虑工作流上各个环节间服务的纵向协同,还要考虑同一环节上存在着不同服务间的横向组合,即不同服务之间横向组合形成虚拟企业。因此,基于本发明,可以更为有效地支撑集群企业间的资源共享,通过协同制造,使中小企业能够更好地应对市场需求。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于Web服务的协同制造控制方法实施例的步骤流程图;
图2为基于Web服务的协同制造控制方法的一个实施例中,可用虚拟服务的确定的步骤流程图;
图3为基于横向协作的协同制造原理图;
图4为可用虚拟服务确定的步骤流程图;
图5为本发明基于Web服务的协同制造控制方法一个实施例的示意图;
图6为本发明基于Web服务的协同制造控制方法中,改进的模仿学习操作过程;
图7为本发明基于Web服务的协同制造控制方法中,变异的观察学习过程
图8为本发明基于Web服务的协同制造控制方法一个实例的组合网络示意图;
图9为本发明基于Web服务的协同制造控制方法在市场需求稳定情况下企业集群收益对比;
图10为本发明基于Web服务的协同制造控制方法在市场需求剧烈变动情况下企业集群收益对比。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。下面对本发明的优选实施例作进一步详细说明。
本发明基于如下思考:企业资源服务间的组合具有两个典型的特点:①企业资源服务则更加侧重于价格、质量、产能等业务指标。②在企业服务组合的路径上,除了节点之间的纵向服务组合之外,在单个节点上还可能存在不同服 务间的横向组合,例如几家企业协同制造某种产品部件。如何针对企业协作的特点,从数量众多的企业服务中选取合适的服务进行组合,才能更为有效地支撑企业间的协同制造,是本发明的核心所在。
从运作模式而言,企业的协同模式主要是纵向协同,现说明如下:
参照图1。企业的纵向协同,即单个供应链中上、下游企业间的合作,按照产品生产的顺序阶段来集成企业之间的资源。通过纵向协同,可以形成定制化生产能力较强、能够承担某一独立任务的服务组合。
本发明在上述企业纵向合作的基础上,提出:纵向协同中的一个环节,可能并不是某个具体的企业资源服务,而是由多个企业横向协同所构成的虚拟服务。由于协同环境具有不确定性,用户需求、企业能力、服务状态等不断发生变化,为了实现企业服务间的“最佳协作”,企业间的服务组合需要不断的进行动态调整。图1中的S1,S2等代表不同的环节。具体参照图2。
参照图2。图2为本发明一种基于Web服务的协同制造控制方法,包括如下步骤:
步骤S210,确定完成协同制造所需的多个纵向任务节点;
步骤S220,对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;
步骤230,对多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
本实施例在考虑纵向协同的基础上,着重于每一个纵向任务节点的横向协同。集群中的横向协同,即不同供应链中处于同一环节上的企业协作,根据市场需求来集成能够提供相同资源的企业服务。通过横向协同,中小企业可以更为有效地支撑集群企业间的资源共享,提高应对市场变化的能力,灵活地应对市场波动,降低生产投入的风险。例如,单一企业无法满足的生产需求,可以通过协同生产来满足要求,既增加了中小企业参与市场竞争的机会,也为市场 提供了更多的候选服务。
参照图3,图3为基于横向协作的协同制造原理图。
通过横向协同生成的虚拟企业服务具有很强的灵活性,可以在需要的时候自主协作,在完成任务之后自行解散。如图3所示,K个企业资源服务通过并行操作实现资源集成,可以在较短时间内快速整合出拥有较多资源的虚拟企业服务,从而满足市场的需求。例如,当市场对某种产品的需求量突然增加时,单个企业可能难以满足市场的需求,但是企业间通过横向协同则可以灵活应对。因此,企业服务的横向组合可以作为纵向协同中重要的候选服务资源,对于企业服务组合实现进一步的优化。
下面,对步骤S220中,候选服务的搜索进行详细的说明。
在实际市场环境中,企业服务的完成往往需要一定的时间,因此其可用性就具有一定的动态性。以企业生产服务为例,如果该企业服务目前处于空闲状态,那么其状态就是“当前可用”;如果该企业服务目前处于满负荷运行,那么其状态就是“当前不可用”;如果该企业服务已经承接了一部分订单,占用了部分产能,那么其状态就是“部分产能可用”。因此,动态的商业环境因素以及企业自身因素的多变性,使得企业服务的可用性及企业之间的协作具有较强的动态性。企业服务可用性的决定因素很多,本实施例只以企业生产服务的产能为限制条件,来说明如何进行候选服务的筛选(实际上可以规定更多的限制条件)。整个过程主要包括两部分:一是筛选出能够独自承担当前环节生产任务的大型企业;二是筛选出中小型企业之间通过协作构成的虚拟服务。
其中,例如,也就是说,可用候选服务通过如下方式确定:确定候选服务,获取该候选服务所能提供的当前产能值,若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则该候选服务为可用候选服务。
(1)大型企业(可用候选服务)的筛选
假设企业服务组合第i个环节所需要的产品量为Pi-amount,候选企业服务的筛选主要依据该环节大型候选企业目前所具备的产能EScapacity是否大于 Pi-amount。如果满足该条件,则表示该候选企业服务是可用的,否则将过滤掉该企业服务。
具体算法为:
输入:供应链中第i环节需要满足的产品需求量Pi-amount
输出:可用的候选企业服务
Step1大型企业服务的筛选
参照图4,可用虚拟服务通过如下步骤确定:步骤S410,对于给定的纵向任务节点,确定愿意进行横向协作的服务;步骤S420,按照组合的方式,基于愿意进行横向协作的服务,生成虚拟服务的组合;步骤S430,计算每个虚拟企业服务的当前产能值;步骤S440,若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则虚拟服务为可用虚拟服务。下面,对上述各个步骤进行进一步的说明。
愿意进行横向协作的企业可以通过“询问-回答”机制来确定。如果愿意参与横向协作的中小企业服务为k个,则理论上能够生成的虚拟企业服务数量为: 每个虚拟企业服务的产能(QoEcapacity)可以按照下文第一问题说明中的公式(7)进行计算,然后进一步确定这些虚拟企业服务是否能够满足产能需求,即QoEcapacity是否大于Pi-amount。若满足QoEcapacity≥Pi-amount,则保留该虚拟企业服务;否则过滤掉该虚拟企业服务。虚拟企业服务的QoS值则按照下文第一个问题说明中给出的QoS属性计算方法得出。
因为候选服务的筛选兼顾了虚拟服务和服务的当前状态,所以构建出的企业服务组合将具备较好的可用性,从而可以提高企业服务组合的效率和用户的满意度。
可用服务发现算法的具体描述如下:
Step2虚拟企业服务的生成和筛选
Step3输出所有可用的候选企业服务。
参照图5,上述步骤230,对多组串联服务组合进行寻优,确定协同制造的方法可通过如下几个步骤进行实现:
步骤S510,基于多组串联服务组合生成具有预定种群规模的初始群体;计算每一串联服务组合的评价值;预置多个代理;
步骤S520,形成基于初始群体的解空间,每一个串联服务组合为一个解,从解空间中随机抽取不同的解赋给各个代理;
步骤S530,对于每一个代理,随机抽取出预定数量、有别于该代理内容的 串联服务组合,顺序执行改进的模仿学习操作和基于变异的观察学习操作,并将获取的结果保存到知识库中;基于每一串联服务组合的评价值,从解空间中删除与代理等数量的较差的解作为知识库的更新;
步骤S540,从解空间中提取k个最优的串联服务组合,形成信仰空间;对信仰空间中的每一串联服务组合实施基于模仿学习的进化操作;从信仰空间中原有的串联服务组合和进化后得到的串联服务组合中,选取k个最优串联服务组合作为对信仰空间的更新;
步骤S550,当信仰空间的解经过N代的积累后,用信仰空间的解替换解空间内的较差的解;将信仰空间内的解随机地赋给每个代理;
步骤S560,如果满足结束条件,则输出信仰空间内的最优解;否则返回步骤530重新进行迭代。
上述寻优方法中,有四个需要进一步说明的问题。
第一、虚拟服务的QoS属性值计算
第二、每一串联服务组合的评价值
第三、模仿学习操作;以及
第四、基于变异的观察学习操作。
下面,对着这四个问题一一进行说明。
第一、虚拟服务的QoS属性值的计算
首先,企业服务作为一个普通的服务,具备一般服务所拥有的服务质量属性,这里把一般服务质量属性称为企业服务的服务维QoS;此外,企业服务的主要功能是向用户提供产品,因此,企业服务所提供产品的质量属性构成了企业服务的另一个重要的质量维--产品维QoS;最后,企业自身的发展状况也是衡量企业服务的重要指标,这里把衡量企业自身发展状况的质量属性称为企业维QoS。下面给出企业服务三维QoS属性的描述。
服务维QoS属性:当把企业封装成Web服务之后,企业也就具备了一般服务所具有的服务质量属性,这些属性反映企业的服务质量,主要包括企业服务的反应时间、可靠性、可用性、信誉度等。
产品维QoS属性:企业服务所提供产品的质量属性是评价企业服务的重要指标,企业服务产品维服务质量属性主要包括:产品质量、产品价格、性价比、产品寿命、产品的环保性、客户满意度等。
企业维QoS属性:该类质量属性主要是指与企业实际运转情况相关的一些质量属性,是从整体上评价一个企业服务的现状和未来的发展情况,主要包括生产能力、生产成本、任务完成率、市场占有率、协作能力、财务状况等。
这里设定虚拟企业服务Ti是由k(k≤m)个企业服务横向组合而成,具体的QoS属性值计算方法如下所示。
a、虚拟企业服务的服务维QoS属性计算方法
首先根据该服务维QoS属性值的类型,将k个企业服务的属性值进行数值归一化;然后依据下列公式计算该虚拟服务的服务维QoS属性值。
(a1)“反应时间”属性的计算公式
QoVSresponse=Max{QoVS1t,QoVS2t,QoVS3t,......,QoVSkt}+QoVScolla-time (1)
其中,QoVSresponse表示虚拟企业服务的反应时间,QoVS1t、QoVS2t、…、QoVSkt分别表示每个企业服务的反应时间,QoVScolla-time表示k个企业之间的协作时间。
(a2)“可用性”属性的计算公式
QoVSavailability=QoVS1a*QoVS2a*......*QoVSka*X (2)
其中,QoVSavailability表示虚拟企业服务的可用性,QoVS1a、QoVS2a、…、QoVSka分别表示每个企业服务的可用性,X为k个企业协作的可用性系数。
(a3)“信誉度”属性的计算公式
QoVSreputation=QoVS1re*QoVS2re*......*QoVSkre (3)
其中,QoVSreputation表示虚拟企业服务的信誉度,QoVS1re、QoVS2re、…、QoVSkre分别表示每个企业服务的信誉度。
b、虚拟企业服务的产品维QoS属性计算方法
首先根据该产品维QoS属性值的类型,将k个企业服务的属性值进行数值归一化;然后依据下列公式计算该虚拟服务的产品维QoS属性值。
(b1)“产品价格”属性的计算公式
QoPprice=w1′*QoP1p+w2′*QoP2p+...+wk′*QoPkp (4)
其中,QoPprice表示虚拟企业服务的“产品价格”属性,QoPip表示参与横向协作的第i企业服务的“产品价格”属性值;wi′为第i个企业服务的“产品价格”质量属性在虚拟服务中所占的权重(1≤i≤k),与该企业的产能有关。
(b2)“产品性价比、产品寿命、产品质量”等属性的计算公式
QoPl=Min{QoP1l,QoP2l,...,QoPkl} (5)
其中,QoPl表示虚拟企业服务的第l个产品维质量属性,QoPil表示参与横向协作的第i企业服务的第l个产品维质量属性值(1≤i≤k)。
(b3)“产品可靠性”属性的计算公式
QoPreliability=QoP1r*QoP2r*...*QoPkr (6)
其中,QoPreliability表示虚拟企业服务的“产品可靠性”属性,QoPir表示参与横向协作的第i企业服务的“产品可靠性”属性值(1≤i≤k)。
c、虚拟企业服务的企业维QoS属性计算方法
虚拟企业服务企业维QoS值的计算法与产品维质量属性的计算方法类似,也是根据具体的质量属性的类型,选择相应的标准化公式进行标准化,然后根据质量属性的类型,选择相应的聚合公式计算该虚拟企业服务的企业维QoS值。
(c1)虚拟企业服务的产能计算公式
QoEcapacity=QoE1c+QoE2c+...+QoEkc (7)
其中,QoEcapacity表示虚拟企业服务的产能,QoE1c、QoE2c、…、QoEkc分别表示参与协同的k个企业服务各自的产能。
(c2)“服务成本”属性的计算公式
QoEcost=QoE1c′+QoE2c′+...+QoEkc′+QoEcolla-cost (8)
其中,QoEcost表示虚拟企业服务的生产成本,QoE1c′、QoE2c′、…、QoEkc′分别表示每个企业服务的生产成本,QoEcolla-cost表示k个企业服务之间的协作成 本。
第二、如何确定每一串联服务组合的评价值
在计算出每个虚拟企业服务的各个QoS属性值之后,可以将其看作一个实际的候选企业服务来参与企业服务组合方案的构建。
纵向协同模式下组合服务各个QoS属性的计算方式可以概括为三类:一类是求和Σ;一类是求积Π;一类是最大最小值Max/Min。一般而言,成本型、效益型的QoS属性采用“求和”方法来计算QoS属性的聚合值,例如成本、价格、反应时间等;概率型的QoS属性采用“求积”方法来计算QoS属性的聚合值,例如可靠性、可用性、信誉度等;边界型的QoS属性采用“最大值或最小值”方法来计算QoS属性的聚合值,例如产品寿命、产能、性价比等。
表1给出了一些纵向协同模式下企业服务QoS属性的聚合公式,其他QoS属性的聚合公式可以依据指标的类型给出类似地定义。
下表中各个参数说明如下:
k表示纵向协同模式下,可以完成协同制造任务的串联候选服务的数目;
Ci表示第i个候选服务的成本,C表示某一可以完成协同制造任务的串联候选服务的成本;
Ti表示第i个候选服务的反应时间,T表示某一可以完成协同制造任务的串联候选服务的反应时间;
Pricei表示第i个候选服务所生产产品的价格,Price表示某一可以完成协同制造任务的串联候选服务所生产产品的总价格;
Avai表示第i个候选服务所生产产品的可用性,Ava表示某一可以完成协同制造任务的串联候选服务所生产产品的可用性;
Repi表示第i个候选服务所生产产品的信誉度,Rep表示某一可以完成协同制造任务的串联候选服务所生产产品的信誉度;
Reli表示第i个候选服务所生产产品的可靠性,Rel表示某一可以完成协同制造任务的串联候选服务所生产产品的可靠性;
LCi表示第i个候选服务生产产品的寿命(或生产能力、或性价比),LC表示表示某一可以完成协同制造任务的串联候选服务所生产产品的寿命(或生产能力、或性价比)。
表1.协同制造服务QoS聚合公式
在计算出企业服务组合的各个QoS(服务质量)属性之后,首先给出企业服务组合每一维质量属性的评价模型,然后给出企业服务组合的完整QoS评价模型。
(a)服务组合的服务维QoS评价模型
约束条件为: 其中,sqj表示企业服务组合服务维的第j个QoS属性的聚合值;表示用户对服务维第j个QoS属性的偏好,并且表示用户对第j个QoS属性提出的约束条件。通过一定转换方式可以将约束形式“≥”转换成约束形式“≤”。
(b)服务组合的产品维QoS评价模型
约束条件为:
(c)服务组合的企业维QoS评价模型
约束条件为:
(d)服务组合的综合QoS评价模型
在计算出整个企业服务组合的服务维、产品维和企业维的QoS值之后,要对整个企业服务组合进行综合的评价,下面给出针对整个企业服务组合的服务 质量综合评价模型。
F(ESC)=W1*f(ESS)+W2*f(ESP)+W3*f(ESV) (12)
其中,W1,W2,W3表示用户对每一个服务质量的偏好,且W1+W2+W3=1;F(ESC)表示企业服务组合的评价值,f(ESS)表示企业服务组合的服务维质量评价值,f(ESP)表示企业服务组合产品维服务质量的评价值,f(ESV)表示企业服务组合企业维服务质量的评价值。
第三、模仿学习操作
模仿学习操作过程如图6所示。其中,S1为代理自身的解(每个解由一个序列的服务组成),S2...Sn为随机抽取的解,带颜色的点为局部解之间的最优者,CLS为通过学习得到的新解。
(1)从解空间中随机抽取出一定数量的、有别于代理自身的解,即S2...Sn;
(2)将代理自身的解S1和抽取到的解(S2...Sn)组合一个学习小组(S1S2...Sn);
(3)将学习小组内的每个解等分成若子段,例如图2中分为3段L1,L2,L3;
(4)代理将其自身的子段与其它解相应的子段的QoS值进行比较,并用QoS值最大的子段替换代理自身相应的子段。例如,(L1段QoS值最大的为S1对应的子段,L2段QoS值最大的为S2对应的子段,L3段QoS值最大的为Sn对应的子段,通过将QoS值最大的三个子段组合在一起,从而完成模仿学习过程,形成最终的解CLS)。
第四、基于变异的观察学习操作
基于变异的观察学习过程如图7所示。其中,S1为代理自身的解(每个解由一个序列的服务组成),S2...Sn为随机抽取的解,带颜色的点为发生变异的服务,CLS为通过学习得到的新解。
从解空间中随机抽取出一定数量的、有别于代理自身的解,即S2...Sn;
随机地确定代理自身解S1将要进行变异的“服务”,即图中的浅灰色圆圈所 表示位置的服务S1,i(例如第i个位置的服务);
从所要进行变异的服务所属的候选服务集S2...Sn中,随机抽取一个候选解(例如S2),然后选取该解中对应变异位置(第i个位置)的服务,即深灰色圆圈所表示位置的服务S2,i;
如CLS中所表示的,用抽取的候选服务S2,i替换将要变异的服务S1,i,即将深灰色圆圈位置的服务,替换掉了浅灰色圆圈位置的服务。
下面,给出本发明基于Web服务的协同制造控制方法一个实施例的算法流程。
输入:服务组合图、候选企业服务及候选企业服务的QoS值;算法的最大迭代次数Nmax;初始群体的规模m;设代理个数为m/3,每次提取优秀解的个数λ,知识更新的代数N。
输出:最优企业服务组合方案
以下是执行的各个步骤:
Step1可用候选服务的发现
依据虚拟企业服务生成方法和候选服务筛选算法,确定可用的候选企业服务。
Step2初始化阶段
对于协同制造流程中的每个任务,随机地从每个任务对应的候选服务集中选择一个企业服务绑定给相应的任务;重复这种方法,生成种群规模为M的初始群体;计算这些解的评价值;确定代理。
Step3给代理赋予解
从解空间中随机地抽取不同的解赋给每个代理;但不允许把一个解重复分配给多个学习代理。
Step4模仿学习和观察学习过程
Step5信仰空间的进化过程
从解空间中提取k个最优解到信仰空间;更新信仰空间内的解;对信仰空间的解实施基模仿学习的进化操作;从原有的解和进化后得到的解中,选取k个优秀解保留在信仰空间中;
Step6信仰空间的解对群体空间进化的指导
当信仰空间的解经过N代的积累后,用信仰空间的解替换解空间内的较差的解;
将信仰空间内的解随机地赋给每个代理;
Step7判断算法是否结束
实例
参照图8。图8为本发明基于Web服务的协同制造控制方法一个实例的组合网络示意图。
(1)整个制造流程包括六个环节,Ti(1≤i≤6)表示每个环节所需要完成的制造任务。每个环节存在20个候选企业服务,其中包括5个大型企业服务和15个中小型企业服务,其中大型企业的产能区间为[30,50],中小型企业的产能区间为[5,20]。
(2)因为企业服务的执行需要一定的时间,因此其可用性并不能保证是100%,这里设定每个企业服务的可用性为80%。
(3)因为企业间的协作需要一定的协商,并不能保证每次都能成功,这里将中小型企业的横向协作率设定为60%。
(4)不同维度质量属性在企业服务质量评价模型中权重是相等的,并采用标准化公式转换到[0,1]区间之内,其取值情况如下:
●企业服务维:反应时间[20,100](hour),可靠性(0,1],可用性(0,1],信誉度{1,2,3,4,5};
●产品维:产品质量{差,合格,中等,良,优},产品价格[100,1000],性价比{差,合格,中等,良,优},产品可靠性{差,合格,中等,良,优};
●企业维:生产能力{差,合格,中等,良,优},协作能力{差,合格,中等,良,优},财务状况{差,合格,中等,良,优}。
(5)因为大型企业的生产成本较高,所以相同产品的单位产品收益一般略低于中小企业。这里设置大企业生产单位产品的收益区间为[1.3,1.6],中小型企业生产单位产品的收益区间为[1.5,1.8]。在实验中,每个企业的单位产品效益在给定区间内随机生成。
(6)中小企业在进行横向协作时需要支付一定的协作成本,例如技术交流、产品标准制定等费用。这里设定企业之间的横向协作费用为总收益的[6%,20%]。在实验中,企业的协作成本值在这个区间内随机生成,并且随着参与协同企业数目的增加而增大。
所有算法均采用C++语言实现,实验环境具体配置为:Pentium(R)42.66GHZ处理器,1G内存,操作系统为Win7。协同制造控制方法的初始参数设置为:初始群体规模M=100,代理的个数NC=30,每次提出优秀解的个数λ=30,知识进化的代数N=6;在模仿学习中将每个解分为三段;在观察学习中,每次对解的5个节点进行变异。具体的实验情况如下所示。
实验:协同制造控制方法在不同市场条件下的收益比较
实验的目的是验证本发明提出的方法能否有效提高企业集群的整体收益。实验中的需求序列包括10个市场需求周期,每个周期内有30个订单请求,分 别对两种情况进行测试:①市场需求比较平稳,订单的需求量在[30,50]内随机生成,单个大企业的产能可以满足;②市场需求波动较大,订单的需求量在[30,50]或[70,100]内随机生成,其中[70,100]占总需求的70%左右,单个大企业的产能无法满足。实验分别针对两种不同的市场条件下进行测试:市场需求稳定和市场需求波动剧烈。所采用的协同制造控制方法,第一类考虑横向协同形成的虚拟服务,第二类不考虑横向协同形成的虚拟服务,都按照迭代200次所找到的服务组合方案为准。
在市场需求比较平稳的情况下,计算每个需求周期内企业服务组合的总收益,并将在两种情况下得到的企业群体的总收益进行比较。实验结果如图9所示,图的横坐标表示需求周期数,图的纵坐标表示每个需求周期内企业群体的平均收益;系列1表示考虑企业服务横向协同的情况下,企业群体的总收益;系列2表示不考虑企业服务之间的横向协作时,企业群体的总收益。从图9中的曲线可以看出,在市场需求比较稳定的情况下,两种方法给出的企业效益值比较接近:考虑企业服务之间的横向协作,10个需求周期内的平均收益总和为653.5;不考虑企业服务之间的横向协作,10个需求周期内的平均收益总和为626.5,前者略高于后者。这表明在市场需求比较稳定的情况下,考虑企业服务之间的横向协作可以提高企业集群整体的收益。
在市场需求波动比较剧烈的情况下,计算每个需求周期内企业服务组合的总收益,并将在两种情况下得到的企业群体的总收益进行比较。实验结果如图10所示,图的横坐标表示需求周期数,图的纵坐标表示每个需求周期内企业群体的平均收益。系列1表示考虑企业服务横向协同的情况下,企业群体的总收益;系列2表示不考虑企业服务之间的横向协作时,企业群体的总收益。从图10可以看出,在需求剧烈波动的时候,两种方法给出的企业效益值差别较大,系列1的表现远好于系列2:当单个大型企业可能无法满足订单需求,若不考虑企业服务之间的横向协作,则无法构建出满足用户产能需求的企业服务组合,企业收益值为0;若考虑企业服务之间的横向协作,即使用户产能需求较大也能够得到满足,所以企业集群能够接受更多的订单,获得更大的整体收益。这 表明在市场需求剧烈波动时,考虑企业服务之间的横向协作能够更为有效地提高企业集群的整体效益。
第二方面,本发明还公开了一种基于Web服务的协同制造控制系统,包括:纵向任务节点确定模块、串联服务组合确定模块和协同制造方法确定模块。其中,纵向任务节点确定模块用于确定完成协同制造所需的多个纵向任务节点;串联服务组合确定模块用于对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;协同制造方法确定模块用于对所述多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
进一步地,上述基于Web服务的协同制造控制系统中,所述串联服务组合确定模块中,所述可用候选服务通过如下方式确定:确定候选服务,获取该候选服务所能提供的当前产能值,若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则该候选服务为可用候选服务。
进一步地,上述基于Web服务的协同制造控制系统中,所述串联服务组合确定模块中,所述可用虚拟服务通过如下方式确定:对于给定的纵向任务节点,确定愿意进行横向协作的服务;按照组合的方式,基于所述愿意进行横向协作的服务,生成虚拟服务的组合;计算每个虚拟企业服务的当前产能值;若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则虚拟服务为可用虚拟服务。
进一步地,上述基于Web服务的协同制造控制系统中,所述协同制造方法确定模块进一步包括:初始群体生成单元、解空间形成单元、解空间的初始更新单元、信仰空间形成与更新单元、解空间增强更新单元和输出单元。
其中,初始群体生成单元用于基于所述多组串联服务组合生成具有预定种群规模的初始群体;计算每一串联服务组合的评价值;预置多个代理。解空间形成单元用于形成基于所述初始群体的解空间,每一个所述串联服务组合为一个解,从所述解空间中随机抽取不同的解赋给各个代理。解空间的初始更新单 元用于对于每一个代理,从解空间中随机抽取出预定数量、有别于该代理内容的解;对该代理进行学习操作,以对该代理表示的解进行优化,并将获取的优化解保存到解空间中;基于每一个解的评价值,从解空间中删除与代理等数量的较差的解作为解空间的初始更新。信仰空间形成与更新单元用于根据每一串联服务组合的评价值,从解空间中提取前M个最优解,形成信仰空间;对信仰空间中的每一串联服务组合实施基于模仿学习的进化操作;从信仰空间中原有的串联服务组合和进化后得到的串联服务组合中,选取预定数目的最优串联服务组合作为对信仰空间的更新;M为给定的自然数。解空间增强更新单元用于当信仰空间的解经过N代的积累后,用所述信仰空间的解替换所述解空间内的较差的解;将信仰空间内的解随机地赋给每个代理;N为给定的自然数。输出单元用于判断找到的最优解能否满足客户的QoS需求,若是,则满足结束条件,输出信仰空间内的最优解;否则调用解空间的初始更新单元重新进行迭代。
进一步地,上述基于Web服务的协同制造控制系统中,解空间的初始更新单元中的学习操作为:顺序执行的模仿学习操作和基于变异的观察学习操作。
进一步地,上述基于Web服务的协同制造控制系统中,所述初始群体生成单元中,所述每一串联服务组合评价值依据可用候选服务和/或可用虚拟服务服务质量属性值确定;
F(ESC)=W1*f(ESS)+W2*f(ESP)+W3*f(ESV)
其中,W1,W2,W3表示用户对每一个服务质量的偏好,且W1+W2+W3=1;F(ESC)表示串联服务组合的评价值,f(ESS)表示串联服务组合的服务维质量评价值,f(ESP)表示串联服务组合产品维服务质量的评价值,f(ESV)表示串联服务组合串联维服务质量的评价值。
进一步地,上述基于Web服务的协同制造控制系统中,所述串联服务组合的服务维质量评价值通过下式确定:
约束条件为: 其中,sqj表示企业服务组合服务维的第j个QoS属性的聚合值;表示用户对服务维第j个QoS属性的偏好,并且表示用户对第j个QoS属性提出的约束条件。通过一定转换方式可以将约束形式“≥”转换成约束形式“≤”。
进一步地,上述基于Web服务的协同制造控制系统中,所述串联服务组合产品维服务质量的评价值通过如下方式确定:
约束条件为:
进一步地,上述基于Web服务的协同制造控制系统中,所述串联服务组合企业维服务质量的评价值通过如下方式确定:
约束条件为:
本发明基于Web服务的协同制造控制系统不仅考虑工作流上各个环节间服务的纵向协同,还要考虑同一环节上存在着不同服务间的横向组合,即不同服务之间横向组合形成虚拟企业。因此,基于本发明,可以更为有效地支撑集群企业间的资源共享,通过协同制造,使中小企业能够更好地应对市场需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Web服务的协同制造控制方法,其特征在于,包括如下步骤:
步骤1,确定完成协同制造所需的多个纵向任务节点;
步骤2,对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;
步骤3,对所述多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
2.根据权利要求1所述的基于Web服务的协同制造控制方法,其特征在于,所述步骤2中,所述可用候选服务通过如下方式确定:
确定候选服务,获取该候选服务所能提供的当前产能值,若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则该候选服务为可用候选服务。
3.根据权利要求1或2所述的基于Web服务的协同制造控制方法,其特征在于,所述步骤2中,所述可用虚拟服务通过如下方式确定:
步骤20,对于给定的纵向任务节点,确定愿意进行横向协作的服务;
步骤21,按照组合的方式,基于所述愿意进行横向协作的服务,生成虚拟服务的组合;
步骤22,计算每个虚拟企业服务的当前产能值;
步骤23,若该当前产能值大于给定的纵向任务节点需要满足的产品需求量,则虚拟服务为可用虚拟服务。
4.根据权利要求3所述的基于Web服务的协同制造控制方法,其特征在于,所述步骤3进一步包括如下步骤:
步骤31,基于所述多组串联服务组合生成具有预定种群规模的初始群体;计算每一串联服务组合的评价值;预置多个代理;
步骤32,形成基于所述初始群体的解空间,每一个所述串联服务组合为一个解,从所述解空间中随机抽取不同的解赋给各个代理;
步骤33,对于每一个代理,从解空间中随机抽取出预定数量、有别于该代理内容的解;对该代理进行学习操作,以对该代理表示的解进行优化,并将获取的优化解保存到解空间中;基于每一个解的评价值,从解空间中删除与代理等数量的较差的解作为解空间的初始更新;
步骤34,根据每一串联服务组合的评价值,从解空间中提取前M个最优解,形成信仰空间;对信仰空间中的每一串联服务组合实施基于模仿学习的进化操作;从信仰空间中原有的串联服务组合和进化后得到的串联服务组合中,选取预定数目的最优串联服务组合作为对信仰空间的更新;M为给定的自然数;
步骤35,当信仰空间的解经过N代的积累后,用所述信仰空间的解替换所述解空间内的较差的解;将信仰空间内的解随机地赋给每个代理;N为给定的自然数;
步骤36,如果找到的最优解能够满足客户的QoS需求,即满足结束条件,则输出信仰空间内的最优解;否则返回步骤33重新进行迭代。
5.根据权利要求4所述的基于Web服务的协同制造控制方法,其特征在于,步骤33中的学习操作为:
顺序执行的模仿学习操作和基于变异的观察学习操作。
6.根据权利要求1至5中任一项所述的基于Web服务的协同制造控制方法,其特征在于,
所述步骤31中,所述每一串联服务组合评价值依据可用候选服务和/或可用虚拟服务服务质量属性值确定;
F(ESC)=W1*f(ESS)+W2*f(ESP)+W3*f(ESV)
其中,W1,W2,W3表示用户对每一个服务质量的偏好,且W1+W2+W3=1;F(ESC)表示串联服务组合的评价值,f(ESS)表示串联服务组合的服务维质量评价值,f(ESP)表示串联服务组合产品维服务质量的评价值,f(ESV)表示串联服务组合串联维服务质量的评价值。
10.一种基于Web服务的协同制造控制系统,其特征在于,包括:
纵向任务节点确定模块,用于确定完成协同制造所需的多个纵向任务节点;
串联服务组合确定模块,用于对于其中的每一纵向任务节点,搜索能够完成该纵向任务节点的多组候选服务,所述候选服务由可用候选服务和/或可用虚拟服务组成;基于所有纵向任务节点选定的候选服务,确定能够完成协同制造的多组串联候选服务组合;
协同制造方法确定模块,用于对所述多组串联候选服务组合进行寻优,确定协同制造的串联服务组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310715400.6A CN103810642B (zh) | 2013-12-23 | 2013-12-23 | 基于Web服务的协同制造控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310715400.6A CN103810642B (zh) | 2013-12-23 | 2013-12-23 | 基于Web服务的协同制造控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103810642A true CN103810642A (zh) | 2014-05-21 |
CN103810642B CN103810642B (zh) | 2017-01-11 |
Family
ID=50707368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310715400.6A Expired - Fee Related CN103810642B (zh) | 2013-12-23 | 2013-12-23 | 基于Web服务的协同制造控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810642B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663933A (zh) * | 2017-03-28 | 2018-10-16 | 中移(杭州)信息技术有限公司 | 一种制造装备组合的获取方法及云平台 |
CN109190904A (zh) * | 2018-08-03 | 2019-01-11 | 青岛科技大学 | 用于智能制造业的产品产业链的搭建方法 |
CN109327494A (zh) * | 2018-02-26 | 2019-02-12 | 浙江理工大学 | 一种面向多任务合作应用的服务质量自适应激励方法 |
CN115081831A (zh) * | 2022-06-06 | 2022-09-20 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
CN115081831B (zh) * | 2022-06-06 | 2024-06-07 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546754B (zh) * | 2011-11-23 | 2014-11-26 | 河南理工大学 | 服务质量可定制的Web服务组合方法 |
CN103049841A (zh) * | 2013-01-29 | 2013-04-17 | 河南理工大学 | 物流服务供应商密度的协同进化模型 |
-
2013
- 2013-12-23 CN CN201310715400.6A patent/CN103810642B/zh not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663933A (zh) * | 2017-03-28 | 2018-10-16 | 中移(杭州)信息技术有限公司 | 一种制造装备组合的获取方法及云平台 |
CN108663933B (zh) * | 2017-03-28 | 2021-07-09 | 中移(杭州)信息技术有限公司 | 一种制造装备组合的获取方法及云平台 |
CN109327494A (zh) * | 2018-02-26 | 2019-02-12 | 浙江理工大学 | 一种面向多任务合作应用的服务质量自适应激励方法 |
CN109327494B (zh) * | 2018-02-26 | 2020-12-18 | 浙江理工大学 | 一种面向多任务合作应用的服务质量自适应激励方法 |
CN109190904A (zh) * | 2018-08-03 | 2019-01-11 | 青岛科技大学 | 用于智能制造业的产品产业链的搭建方法 |
CN115081831A (zh) * | 2022-06-06 | 2022-09-20 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
CN115081831B (zh) * | 2022-06-06 | 2024-06-07 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103810642B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114721833A (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
Koenig et al. | From graph theory to models of economic networks. a tutorial | |
CN103824127B (zh) | 云计算环境下服务的自适应组合优化方法 | |
CN112836771A (zh) | 业务服务点的分类方法、装置、电子设备和存储介质 | |
CN105005942A (zh) | 一种智能配电网差异化建设模式选择方法 | |
CN103810642B (zh) | 基于Web服务的协同制造控制方法及控制系统 | |
Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
Enzmann et al. | Seizing opportunities: ASEAN country cluster readiness in light of the fourth industrial revolution | |
CN110147388A (zh) | 一种数据处理的方法及装置 | |
CN110110962A (zh) | 一种任务群智执行团队的优选方法 | |
CN103268332B (zh) | 一种基于社区结构的可信的服务选择方法 | |
CN105550813A (zh) | 一种基于价值网络的机械装备云服务资源的商业评价方法 | |
CN102130955A (zh) | 基于协同过滤的组合服务备选服务集生成系统及方法 | |
Zhao et al. | Building innovative service composition based on two-way selection in cloud manufacturing environment | |
CN110310024A (zh) | 基于层次分析的数字经济指数测算方法 | |
CN109711596A (zh) | 一种多目标进化的物流配送中心选址优化方法及系统 | |
Weese | Political mergers as coalition formation: Evidence from japanese municipal amalgamations | |
CN110135747B (zh) | 基于神经网络的流程定制方法 | |
Zhou et al. | Data envelopment analysis models based on decentralized decision making | |
Chen | On preference structure in data envelopment analysis | |
Utomo et al. | Automated negotiation for non-producing management decision | |
Hu et al. | Convergence of City Relational Network, Production Sector Structure, and Regional Development | |
Utomo | Multi-person decision model for unfinished construction project | |
Zhang et al. | Green innovation ecosystem evolution: Diffusion of positive green innovation game strategies on complex networks | |
De Iudicibus et al. | Assessing the role of technological districts in regional innovation policies: a network analysis of collaborative R&D projects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 Termination date: 20211223 |
|
CF01 | Termination of patent right due to non-payment of annual fee |