CN105160403B

CN105160403B - 一种云制造环境下的资源服务序列验证方法

Info

Publication number: CN105160403B
Application number: CN201510454541.6A
Authority: CN
Inventors: 李海波; 梁梦夏
Original assignee: Huaqiao University
Current assignee: Huaqiao University
Priority date: 2015-07-29
Filing date: 2015-07-29
Publication date: 2018-05-25
Anticipated expiration: 2035-07-29
Also published as: CN105160403A

Abstract

一种云制造环境下的资源服务序列验证方法，根据工作流模型产生资源服务时序关系模型RSM＝(RS,SEQ)，其中RS＝R₁∪…∪R_i∪…∪R_n为资源服务集，R_i为资源服务，SEQ表示资源服务之间顺序关系的集合；设定不同资源服务之间存在的若干种依赖关系，资源服务集的所有依赖关系构成约束条件集DEP；其次，采用遗传算法生成所有满足该资源服务时序关系模型及约束条件集DEP的可行解。本发明的方法可在工作流运行时，直接根据可行解验证资源直接的约束性，进而可提高资源服务的使用率、资源选取以及推荐的准确率。

Description

一种云制造环境下的资源服务序列验证方法

技术领域

本发明涉及云制造领域，特别是一种云制造环境下的资源服务序列验证方法。

背景技术

目前，云制造是一种基于网络的制造新模式，多个企业用户在云制造服务平台上相互协作，共同完成同一制造项目，并按需组织网上制造资源，为用户提供各类按需制造服务，在技术层面则以服务的形式通过被工作流的业务活动调用而组织在一起。

但是，由于在一个工作流中，制造资源之间具有各种关系，如联合关系、选择关系、时序关系、控制关系和支持关系，企业用户在定制资源时很难掌握一个工作流中所有资源之间关系的正确性，因此需要一个有效地验证方法。目前，形式化分析、模型是资源正确性验证的主要方法，所针对的资源主要是计算资源、软件资源。此外，也有基于Petri网的方法，但主要针对的是工作流结构验证。针对制造领域中的资源服务序列正确性验证的方法很少，而且，云制造环境下，资源服务的正确性验证不能由企业用户各自完成，因为企业只负责各自的制造流程，不能从全局保证资源服务不冲突，因此，对多企业协同资源的正确性验证更加困难。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种可提高资源服务的使用率、资源选取以及推荐的准确率的云制造环境下的资源服务序列验证方法。

本发明采用如下技术方案：

一种云制造环境下的资源服务序列验证方法，其特征在于:根据工作流模型产生资源服务时序关系模型RSM＝(RS,SEQ)，其中RS＝R₁∪…∪R_i∪…∪R_n为资源服务集，R_i为资源服务，SEQ表示资源服务之间顺序关系的集合；设定不同资源服务之间存在的若干种依赖关系，资源服务集的所有依赖关系构成约束条件集DEP；其次，采用遗传算法生成所有满足该资源服务时序关系模型及约束条件集DEP的可行解。

优选的，所述的依赖关系包括有联合关系、选择关系、时序关系、控制关系和支持关系中的一种或多种组合。

优选的，所述的遗传算法的步骤具体如下：

1)初始化种群，设定种群规模N、交叉概率、变异概率、最大遗传代数和适应度函数阈值；

2)随机产生一个资源服务序列作为个体，计算其适应度函数f_i；

3)判断该个体是否同时满足资源服务时序关系模型及是否大于等于适应度函数阈值，若否，则进入步骤2)；若均满足，将该资源服务序列作为种群的一个合格个体，并判断是否到达种群规模，若到达，则进入步骤4)，若未到达，进入步骤2)；

4)根据种群中个体的适应度函数对种群进行选择操作,并满足所述资源服务时序关系模型及约束条件集DEP；

5)根据交叉概率对4)中选出的个体进行交叉操作,并满足所述资源服务时序关系模型及约束条件集DEP；

6)根据变异概率对5)中的个体进行变异操作，并满足所述资源服务时序关系模型及约束条件集DEP；

7)计算6)中产生的个体的适应度函数f_i，遗传代数加1，并判断是否到达最大遗传代数，若是，步骤6)中产生的所有个体即为可行解，若否，则进入步骤4)。

优选的，定义约束条件集DEP的任一约束条件为dep_i，所述的适应度函数即为该资源服务序列关于所述约束条件集DEP的满足率，为n＝|DEP|为约束条件集的个数，dep_i＝true表示满足该约束条件。

优选的，所述的步骤4)，采用轮盘赌策略作为选择概率，即种群中的第i个个体选择概率为：

优选的，所述的步骤5)中，选取种群N*交叉概率的个体，对其中任意两个体采用单点交叉方法，随机选取交叉位置，进行交叉。

优选的，所述的步骤6)中，选取种群N*变异概率的个体，对任一个体随选取变异位置进行变异。

优选的，所述的个体为染色体，其长度L代表资源服务时序模型中的最长路径，该染色体采用资源服务序列中的各个资源服务下标作为基因。

优选的，所述种群规模N为40-100。

优选的，所述最大遗传代数为100-200。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

1、本发明提出的云制造环境下的资源服务序列验证方法，包括资源服务序列化以及基于遗传算法的正确性验证方法和技术实现步骤，解决了云制造服务平台上资源选取和资源推荐存在的关键的问题；

2、本发明的方法最终获得满足所有约束条件的资源服务序列，在运行阶段可直接从序列库中做简单选取、比较或者推荐，相当于把工作流系统运行阶段的部分开销提前到设计阶段，提高了系统运行效率；

3、本发明中涉及到工作流模型，对其建模元素没有特殊要求，均被当前已知的工作流建模方法支持，并且不依赖于具体实现，而且采用了经典的遗传算法，具有很好的通用性，能获得尽可能多地满足约束关系的资源服务序列。

附图说明

图1是本发明方法中染色体表示的原理示意图；

图2是本发明方法中的遗传算法的流程图；

图3是本发明方法交叉操作示意图；

图4是本发明方法中工作流模型的举例；

图5是本发明方法中资源服务时序关系模型举例。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

参照图1、图2，一种云制造环境下的资源服务序列验证方法，对于工作流模型，其可形式化表示为：WfM＝(Activity,＜,RS)，其中Activity表示工作流模型的业务活动集，＜表示业务活动间的时序关系集合，对于任意业务活动a_i∈Activity,a_j∈Activity,如果a_j在a_i后执行，则表示成a_i＜a_j，RS表示资源服务集，RS＝R₁∪…∪R_i∪…∪R_n表示为业务活动a₁,…,a_n配置的相应的资源服务集，其中，R_i为任务活动a_i配置的资源服务集。

首先，根据工作流模型产生资源服务时序关系模型RSM＝(RS,SEQ)，其中RS＝R₁∪…∪R_i∪…∪R_n为资源服务集，R_i为任一资源服务集，SEQ表示资源服务之间顺序关系的集合，表示成Seq(r_i,r_j)，Seq(r_i,r_j)∈SEQ。工作流模型中若存在选择分支，则分解为多个只存在并发结构的工作流模型，并转化为多个资源时序关系模型，再应用本发明所提方法。比如审批流程，订单金额如果大于5千，处长审批后经理审批，虽然工作流模型如此设计，但实际运行时如果订单从未超过5千，那么经理也就从未审批过，使得选择分支会造成有些资源服务时序没有意义，本发明为确保最终得到的所有资源服务序列都有意义，将其分解为多个只存在并发结构的工作流模型。一个工作流执行路径对应的资源服务序列可表示成<R₁,…,R_n>。

其次，设定不同资源服务之间存在的五种依赖关系，资源服务集的所有依赖关系构成约束条件集DEP。具体的，对于任意的资源服务r_i和r_j之间的五种依赖关系，如下：

a联合关系：资源服务r_i和r_j必须同时使用，表示成And(r_i,r_j)；

b选择关系：资源服务r_i和r_j可任选其一，表示成Xor(r_i,r_j)；

c时序关系：资源服务r_i和r_j被使用的顺序关系，表示成Seq(r_i,r_j)；

d控制关系：资源服务r_i使用时,资源服务r_j必须使用，表示成Ctrl(r_i,r_j)；

e支持关系：资源服务r_i使用时,需要资源服务r_j的支持，表示成Sup(r_i,r_j)；

而后，采用遗传算法生成所有满足该资源服务时序关系模型及约束条件集DEP的可行解。将染色体作为种群的个体，该染色体采用资源服务序列RSSeq＝<R₁,…,R_n>中的各个资源服务下标作为基因，其长度L代表资源服务时序模型中的最长路径，原理参照图1，a_i为业务活动，R_i为任务活动配置的资源服务集，实线箭头为业务活动之间的时序关系及资源服务之间的时序关系，虚线箭头为业务活动对资源服务的引用。最长路径是指工作流模型中从起始活动到终止活动的所有路径中，活动数最多的那条路径；图1中最长路径是5，包括：a1，a2，a3，a4，a5，则染色体为12345；或者a1，a2，a4，a3，a5，染色体为12435；因为a3和a4之间是并发结构，执行时顺序不确定，因此会有两种可能。并发结构是工作流执行时的一种控制结构，工作流的控制结构分为以下几种：顺序、循环、并发、选择。这些控制结构是工作流管理联盟WfMC制定的标准。如图1，a2执行完后，a3和a4同时执行，即所谓的并发。

具体的遗传算法是指：预先参照图2，算法的步骤具体如下：

1)初始化种群为空集，设定种群规模N(其范围为40-100)、交叉概率、变异概率、最大遗传代数MGEN(其范围为100-200，代数越高，可以得到最优解的可能就大)和适应度函数阈值，遗传代数gen＝0；

2)随机产生一个资源服务序列RSSeq＝<R₁,…,R_n>作为个体，计算其适应度函数f_i，该适应度函数即为该资源服务序列关于所述约束条件集DEP的满足率，为

n＝|DEP|为约束条件集的个数，dep_i＝true表示满足该约束条件，且|dep_i＝true|＝1。

具体的，五种依赖关系作为约束条件在资源服务序列里的判定算法如下：

3)判断该个体是否同时满足资源服务时序关系模型及是否大于等于适应度函数阈值，若否，则进入步骤2)；若均满足，将该资源服务序列作为种群的一个合格个体，并判断种群是否到达种群规模N，若到达，则得到初始种群，进入步骤4)，若未到达，进入步骤2)；

4)根据种群中个体的适应度函数对种群进行选择操作,并得到满足所述资源服务时序关系模型及约束条件集DEP的个体。可采用轮盘赌策略作为选择概率，即种群中的第i个个体选择概率为：

5)根据交叉概率对4)中选出的个体进行交叉操作,并得到满足所述资源服务时序关系模型及约束条件集DEP的个体。选取种群N*交叉概率的个体(该种群N为步骤4)选出的个体构成的种群)，对其中任意两个体采用单点交叉方法，随机选取交叉位置，进行交叉。原理参照图3，先拿出两个染色体，比如长度是7，然后对两个染色体，选取任意1个位置，如4，分成左右两个序列，左长度4，右长度3，然后两个染色体互换这两部分。

6)根据变异概率对5)中的个体进行变异操作，并得到满足所述资源服务时序关系模型及约束条件集DEP的个体。选取种群N*变异概率的个体(该种群N为步骤5)选出的个体构成的种群)，对任一个体随选取变异位置进行变异。

7)计算6)中产生的个体的适应度函数f_i，遗传代数加1，并判断是否到达最大遗传代数，若是，步骤6)中变异产生的所有满足条件的个体即为经过若干代后，获得的所有可行解，即所有满足条件的资源服务序列，若否，则进入步骤4)。

上述遗传算法如下表：

应用举例：对于图4给定的工作流程模型，其对应的资源配置如下表：

其生成的资源服务时序模型参照图5，其中的某一资源服务序列可表示为：(030405090607151012131920)，染色体长度12。

定义的五种依赖关系构成的约束条件集如下：

联合关系：And(r₁,r₇)，And(r₁,r₁₀)，And(r₁,r₁₃)，And(r₅,r₇)，And(r₃,r₁₀)，And(r₆,r₁₆)，And(r₉,r₁₀)；

选择关系：Xor(r₁₇,r₁₉)，Xor(r₁₇,{r_10，r₁₄})；

时序关系：Seq(r₇,r₂)，Seq(r₁,r₂)，Seq(r₁₀,r₂)，Seq(r₁₃,r₂)，Seq(r₇,r₈)，Seq(r₅,r₈)，Seq(r₁₀,r₉)，Seq(r₁₄,r₉)，Seq(r₆,r₁₇)，Seq(r₁₆,r₁₇)，Seq(r₅,r₈)，Seq(r₇,r₈)，Seq(r₁₈,r₁)，Seq(r₂,r₂₀)，Seq(r₃,r₂₀)，Seq(r₄,r₂₀)，Seq(r₅,r₂₀)，Seq(r₆,r₂₀)；

控制关系：Ctrl(r₃,r₉)，Ctrl(r₆,r₁₇)，Ctrl(r₅,r₈)；

支持关系：Sup(r₂,r₁₄)，Sup(r₂,r₁₅)，Sup(r₂,r₁₆)，Sup(r₁,r₇)，Sup(r₁,r₁₀)，Sup(r₁,r₁₂)。

上述约束条件集总共包含36个约束条件，若某资源服务序列满足了其中的30个，则适应度函数fi＝30/36，即0.833。

则设定种群规模N＝64，染色体长度L＝12，终止条件为最大代数MGEN＝200，交叉概率0.8，变异概率0.03，适应度函数阈值为0.5。结合上述步骤1)-步骤3)产生种群规模为N的初始种群，如下：

030504060709101213151920，030605040709101213151920，

030504060709101213151920，030406070910121305151920

030406070905101213151920，030406070910051213151920

030504060709101213151920，030504060709101213151920

030405060709101213151920，030406050709101213151920

030406070509101213151920，030504060709101213151920

030504060709101213151920，030504060709101213151920

030604070905101213151920，030604070910121315051920

030604070910120513151920，030605040709101213151920

030604050709101213151920，030604070509101213151920

030704060910051213151920，030704060905101213151920

030705040609101213151920，030705040609101213151920

030607040509101213151920，030607050409101213151920

030604050709101213151920，030406070910121315051920

030406070910120513151920，030504060709101213151920

030065040709101213151920，030604070910121305151920

030605040709101213151920，030605040709101213151920

030604070910051213151920，030605040709101213151920

030605040709101213151920，030704060509101213151920

030704060509101213151920，030605040709101213151920

030607040910121305151920，030607050409101213151920

030607050409101213151920，030607050409101213151920

030704050609101213151920，030704060910121315051920

030607040509101213151920，030607040910120513151920

030607040509101213151920，030607040910121315051920

030406091007121305151920，030406090510071213151920

030607040910051213151920，030607040905101213151920

030607050409101213151920，030607050409101213151920

030406091005071213151920，030406091012130705151920

030406090510121307151920，030406091005121307151920

030406091012130715051920，030406091012051307151920。

通过步骤4)至步骤7)进行选择、交叉、变异等算法，经过200代的演化，得到一组最优解，即满足资源服务时序关系模型及约束条件集DEP要求的种群，包括如下染色体：

030706040509101213151920，030706050409101213151920，

030406091005071213151920，030406091012130705151920

030406090510121307151920，030406091005121307151920

030706040910051213151920，030706040905101213151920

030706050409101213151920，030706050409101213151920

030604050709101213151920，030604070509101213151920

030706050409101213151920，030706050409101213151920

030607040509101213151920，030607050409101213151920

030705040609101213151920，030405091006121307151920

030607040509101213151920，030607040910120513151920

030607040509101213151920，030607040910121315051920

030607040910051213151920，030607040905101213151920

030704060910051213151920，030704060905101213151920

030607050409101213151920，030607050409101213151920

030704060509101213151920，030605040709101213151920

030704050609101213151920，030704060910121315051920

030406091005071213151920，030406091012130705151920

030406090510121307151920，030406091005121307151920

030705040609101213151920，030705040609101213151920

030607040910121305151920，030607050409101213151920

030607050409101213151920，030607050409101213151920

030705040609101213151920，030406009105071213151920

030406091007051213151920，030704060910120513151920

030704060910121305151920，030705040609101213151920

030406009105121307151920，030406091007121305151920

030705040609101213151920，030705040609101213151920

030705040609101213151920，030405091006071213151920

030406091007121315051920，030406091007120513151920

030406091007121305151920，030406090510071213151920

030406091012130715051920，030406091012051307151920

相当于如下资源服务序列(此处列出前10个)：

R3→R7→R6→R4→R5→R9→R10→R12→R13→R15→R19→R20

R3→R7→R6→R5→R4→R9→R10→R12→R13→R15→R19→R20

R3→R4→R6→R9→R10→R5→R7→R12→R13→R15→R19→R20

R3→R4→R6→R9→R10→R12→R13→R7→R5→R15→R19→R20

R3→R4→R6→R9→R5→R10→R12→R13→R7→R15→R19→R20

R3→R4→R6→R9→R10→R5→R12→R13→R7→R15→R19→R20

R3→R7→R6→R4→R9→R10→R5→R12→R13→R15→R19→R20

R3→R7→R6→R4→R9→R5→R10→R12→R13→R15→R19→R20

R3→R7→R6→R5→R4→R9→R10→R12→R13→R15→R19→R20

R3→R7→R6→R5→R4→R9→R10→R12→R13→R15→R19→R20。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims

1.一种云制造环境下的资源服务序列验证方法，其特征在于:根据工作流模型产生资源服务时序关系模型RSM＝(RS,SEQ)，其中RS＝R₁∪…∪R_i∪…∪R_n为资源服务集，R_i为资源服务，SEQ表示资源服务之间顺序关系的集合；设定不同资源服务之间存在的若干种依赖关系，资源服务集的所有依赖关系构成约束条件集DEP；其次，采用遗传算法生成所有满足该资源服务时序关系模型及约束条件集DEP的可行解；

定义约束条件集DEP的任一约束条件为dep_i，适应度函数即为该资源服务序列关于所述约束条件集DEP的满足率，为n＝|DEP|为约束条件集的个数，dep_i＝true表示满足该约束条件，遗传算法的步骤具体如下：

2.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述的依赖关系包括有联合关系、选择关系、时序关系、控制关系和支持关系中的一种或多种组合。

3.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述的步骤4)，采用轮盘赌策略作为选择概率，即种群中的第i个个体选择概率为：

4.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述的步骤5)中，选取种群N*交叉概率的个体，对其中任意两个体采用单点交叉方法，随机选取交叉位置，进行交叉。

5.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述的步骤6)中，选取种群N*变异概率的个体，对任一个体随选取变异位置进行变异。

6.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述的个体为染色体，其长度L代表资源服务时序模型中的最长路径，该染色体采用资源服务序列中的各个资源服务下标作为基因。

7.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述种群规模N为40-100。

8.如权利要求1所述的一种云制造环境下的资源服务序列验证方法，其特征在于：所述最大遗传代数为100-200。