CN107180286A - 基于改进型花粉算法的制造服务供应链优化方法及系统 - Google Patents

基于改进型花粉算法的制造服务供应链优化方法及系统 Download PDF

Info

Publication number
CN107180286A
CN107180286A CN201710587284.2A CN201710587284A CN107180286A CN 107180286 A CN107180286 A CN 107180286A CN 201710587284 A CN201710587284 A CN 201710587284A CN 107180286 A CN107180286 A CN 107180286A
Authority
CN
China
Prior art keywords
individual
service
iteration
manufacturing service
algorithm
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
Application number
CN201710587284.2A
Other languages
English (en)
Other versions
CN107180286B (zh
Inventor
张帅
张文宇
杨玉舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Finance and Economics
Original Assignee
Zhejiang University of Finance and Economics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Finance and Economics filed Critical Zhejiang University of Finance and Economics
Priority to CN201710587284.2A priority Critical patent/CN107180286B/zh
Publication of CN107180286A publication Critical patent/CN107180286A/zh
Application granted granted Critical
Publication of CN107180286B publication Critical patent/CN107180286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于改进型花粉算法的制造服务供应链优化方法及系统，首先随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示，将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；然后根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；最后判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则继续进行迭代。本发明的方法及系统在求解制造服务供应链优化问题时，性能优于传统算法。

Description

基于改进型花粉算法的制造服务供应链优化方法及系统
技术领域
本发明属于制造服务供应链优化技术领域，尤其涉及一种基于改进型花粉算法的制造服务供应链优化方法。
背景技术
随着互联网以及云计算的发展，云制造引起越来越广泛的关注。同时，云制造资源池规模的急剧扩大为云制造提供了大数据的环境。因此，如何在有限的时间和成本范围内使所组合的制造服务供应链的效用最大化，即制造服务供应链优化问题，已经成为学术界和工业界的研究热点。
服务聚合的结构主要包括以下四种：顺序结构(sequence structure)、选择结构(condition structure)、并行结构(parallel structure)和循环结构(loop structure)。评价制造服务组合方案的标准是服务质量(quality of service，简称QoS)属性，包括时间、成本、可用性和信誉值等。然而，制造服务与一般的web服务不同，其QoS属性还包括相邻服务之间的运输时间和运输成本。
制造服务供应链优化问题是典型的多目标优化问题，制造服务领域的相关文献表明，可以应用进化算法进行求解，比如遗传算法(Genetic Algorithm，简称GA)、差分进化算法(Differential Evolution，简称DE)和粒子群算法(Particle Swarm Optimization，简称PSO)，以及Yang于2012年提出了一种新的进化算法—花粉算法(Flower PollinationAlgorithm，简称FPA)等。
然而尽管许多专家学者已经对制造服务供应链优化问题进行了研究，然而基本上是求解服务聚合、服务选择和服务排序中某个单一维度上的问题，或仅仅是只适用于求解顺序结构下的组合优化问题。
因此研究一种新的制造服务供应链优化方法，使之不仅能够计算出不同服务聚合结构下的运输时间和运输成本，而且能够同时求解包括服务聚合、服务选择和服务排序在内的三维组合优化问题，就显得尤为重要。
发明内容
本发明的目的是提供一种基于改进型花粉算法的制造服务供应链优化方法及系统，不仅能够计算出不同服务聚合结构下的运输时间和运输成本，而且能够同时求解包括服务聚合、服务选择和服务排序在内的三维组合优化问题。
为了实现上述发明目的，本发明技术方案如下：
一种基于改进型花粉算法的制造服务供应链优化方法，所述制造服务供应链优化方法包括：
步骤1、根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示；
步骤2、根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体；
步骤3、将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；
步骤4、根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；
步骤5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤2继续进行迭代。
进一步地，所述迭代终止条件包括：
达到了最大迭代次数；
或，相邻三代之间的平均综合效用差值小于设定的参数。
进一步地，所述制造服务组合方案综合效用模型如下：
f(CS)＝w1TT(CS)+w2TC(CS)+w3TAva(CS)+w4TRep(CS)
其中，f(CS)为制造服务组合方案的综合效用值，w1、w2、w3和w4分别表示制造服务组合方案中时间TT(CS)、成本TC(CS)、可用性TAva(CS)及信誉值TRep(CS)的权重。
进一步地，所述将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代，还包括：
迭代前将服务排序向量进行转换，将其中优先值相同的元素看作一个元素。
进一步地，所述将当前种群中每个个体的服务选择向量采用进化算法进行迭代，包括：
先对服务选择向量采用差分进化算法的变异算子进行操作；
然后采用差分进化算法的交叉算子进行操作，得到迭代结果。
本发明还提出了一种基于改进型花粉算法的制造服务供应链优化系统，所述制造服务供应链优化系统包括：
初始化模块，用于根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示；
最优个体计算模块，用于根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体；
迭代模块，用于将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；
更新模块，用于根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；
判断输出模块，用于判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回最优个体计算模块继续计算出当前种群中综合效用值最大的最优个体。
进一步地，所述迭代模块将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代，还执行如下操作：
迭代前将服务排序向量进行转换，将其中优先值相同的元素看作一个元素。
进一步地，所述迭代模块将当前种群中每个个体的服务选择向量采用进化算法进行迭代，执行如下操作：
先对服务选择向量采用差分进化算法的变异算子进行操作；
然后采用差分进化算法的交叉算子进行操作，得到迭代结果。
本发明提出的一种基于改进型花粉算法的制造服务供应链优化方法及系统，提出了多种服务聚合结构下相邻服务之间的运输时间和运输成本的计算模型，而且便于同时求解包括服务聚合、服务选择以及服务排序在内的三维组合优化问题。本发明改进型花粉算法采用了基于矩阵的方法来表示三维组合优化问题，将基本花粉算法与DE算法的变异算子和交叉算子进行了融合，提高了算法的性能，在求解制造服务供应链优化问题时，性能优于传统遗传算法、差分进化算法和基本花粉算法。
附图说明
图1为本发明基于改进型花粉算法的制造服务供应链优化方法流程图；
图2为本发明实施例多目标优化问题的示意图；
图3为本发明基于改进型花粉算法的制造服务供应链优化系统结构示意图；
图4为本发明实施例进化轨迹示意图；
图5为本发明实施例不同算法的性能比较示意图；
图6为本发明实施例改变种群规模时不同算法性能比较示意图；
图7为本发明实施例改变候选服务数量时不同算法性能比较示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。
制造服务供应链优化问题可以分解为服务聚合、服务选择和服务排序等三个维度上的问题。服务聚合是指将多个细粒度的服务聚合成粗粒度的服务来完成相应的制造任务；服务选择是指从每个制造任务所对应的候选服务集中，选出适当的服务来完成相应的制造任务；服务排序是指对制造服务组合方案中的制造任务进行排序。如果以上三个维度上的问题能够同时得到求解，那么基于QoS的制造服务组合方案的综合效用便可以得到进一步提高。
如图1所示，本实施例基于改进型花粉算法的制造服务供应链优化方法，包括如下步骤：
步骤S1、根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示。
对于任一制造服务供应链领域的多目标优化问题，必然存在相应的需要完成的制造任务(简称为任务)，优化问题就是从可选的制造服务集中选择出合适的制造服务，组合成最优的制造服务组合方案来完成需要完成的制造任务。
本实施例通过进化算法对制造服务供应链优化问题进行求解，进化算法中每个个体代表一个制造服务组合方案，进化算法的种群由多个个体组成。在初始化时，需要随机产生初始种群。即对于需要完成的制造任务，生成制造服务组合的结构，进一步随机从可选的制造服务集中选择制造服务组成一个制造服务组合方案，作为初始种群中的一个个体。
例如对于如图2所示的4个需要完成的制造任务Task1、Task2、Task3、Task4，需要6个制造服务来组合完成，各个需要完成的制造任务之间是顺序结构，其对应的制造服务组合的结构如下：Task1由MS1完成，Task2由MS2和MS3以并行结构完成，Task3由MS4和MS5以选择结构完成，Task4由MS6以循环结构完成。MS4和MS5的被选概率分别是0.3和0.7，MS6的循环次数为6。
则在生成初始种群时，从每个任务所对应的候选服务集中随机选出一个制造服务，按照图2的结构进行分配，就构成了一个个体。按照设定的种群规模N，选择N个个体作为初始种群。
在产生初始种群后，对每个个体对应的制造服务组合方案采用三维矩阵表示，例如一个个体表示为：
在此处，Tj表示任务的编码，Rj表示Taskj的优先值，表示第1个候选服务集中的第5个候选服务，Task1由完成，Task2由和完成，Task3由和完成，Task4由完成。矩阵第三行表示完成需要完成的任务所选的服务分别是第一个候选服务集中的第5个服务、第二个候选服务集中的第3个服务、第三个候选服务集中的第8个服务、第四个候选服务集中的第2个服务、第五个候选服务集中的第9个服务、第六个候选服务集中的第6个服务。
采用通用的描述方式，对于一个包含4个任务和6个制造服务的制造服务组合问题，第i个制造服务组合方案可用如下的三维矩阵进行表示：
其中，第一行代表任务的编码，进化过程中始终保持不变，也称为服务聚合向量；第二行代表服务的排序，称为服务排序向量；第三行代表服务的选择，称为服务选择向量。
步骤S2、根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体。
制造服务组合方案的评价指标主要包括时间(T)、成本(C)、可用性(Ava)和信誉值(Rep)等四种基本的QoS属性。不同的QoS属性，其评价标准也不尽相同。例如：时间和成本属于负面属性，因此需要求得最小值，而可用性和信誉值属于正面属性，因此需要求得最大值。
对于制造服务组合方案CS，其综合QoS属性值通过如下公式计算：
其中，TT(CS)表示制造服务组合方案CS的总时间，TC(CS)表示制造服务组合方案CS的总成本，TAva(CS)表示制造服务组合方案CS的总可用性，TRep(CS)表示制造服务组合方案CS的总信誉值。ET(Taskr)表示完成Taskr所选的制造服务的执行时间，EC(Taskr)表示完成Taskr所选的制造服务的执行成本，Ava(Taskr)表示完成Taskr所选的制造服务的可用性，Rep(Taskr)表示完成Taskr所选的制造服务的信誉值，TRT(CS)表示制造服务组合方案的CS总运输时间，TRC(CS)表示制造服务组合方案CS的总运输成本。R表示制造服务组合方案CS中需要完成的任务数量。制造服务供应链优化的目标就是找出最优的制造服务组合方案，实现时间和成本的最小化，以及可用性和信誉值的最大化。
容易理解的是，在实际的应用中，每个任务所选的制造服务之间的组合对应一个基本服务聚合结构，基本服务聚合结构可以是顺序结构、选择结构、并行结构或循环结构，其对应的执行时间、执行成本、可用性、信誉值的计算方案，可以根据具体结构进行设计。同理，运输成本和运输时间也可以根据具体结构进行设计，这里不再赘述。
例如，不同结构下QoS属性值可以采用下表所示的计算公式计算：
表1
其中，m为每个基本服务聚合结构中制造服务的数量，k表示循环结构中制造服务的循环次数，pi表示第i个制造服务的被选概率。
除了以上四种基本的QoS属性，制造服务的QoS属性还应包括相邻服务之间的运输时间TRT和运输成本TRC。由于不同结构下运输时间和运输成本的计算方法不同，本实施例给出了四种服务聚合结构下相邻服务之间的运输时间和运输成本的九种计算方法，如下表所示。
顺序结构至其它结构时运输时间和运输成本的计算方法：
表2
选择结构至其它结构时运输时间和运输成本的计算方法：
表3
并行结构至其它结构时运输时间和运输成本的计算方法：
表4
需要说明的是，由于循环结构至其它结构时运输时间和运输成本的计算方法与顺序结构至其它结构时运输时间和运输成本的计算方法相同，故此处省略不再赘述。
作为一个多目标优化问题，制造服务供应链优化的目标主要包括时间和成本的最小化，以及可用性和信誉值的最大化。本实施例中制造服务供应链优化的目的是从众多制造服务组合方案中选出综合效用值最大的方案作为最终的制造服务组合方案。基于上述设计，本实施例设定的制造服务组合方案综合效用模型如下：
f(CS)＝w1TT(CS)+w2TC(CS)+w3TAva(CS)+w4TRep(CS)
其中，f(CS)为制造服务组合方案的综合效用值，对应在进化算法中每个个体的适应度值。w1、w2、w3和w4分别表示制造服务组合方案中时间TT(CS)、成本TC(CS)、可用性TAva(CS)及信誉值TRep(CS)的权重，且之和等于1。
需要说明的是，上述f(CS)计算公式是一个具体实施例，仅考虑了时间TT(CS)、成本TC(CS)、可用性TAva(CS)及信誉值TRep(CS)属性，如果某一属性对所要完成的任务不重要，可以将该属性从公式中删除，或者对要求解的多目标优化问题，有更多的QoS属性需要考虑，则应该将对应的新增的QoS属性加入到该公式。
本实施例将f(CS)计算公式作为进化算法的适应度函数，则每个制造服务组合方案的综合效用值即为进化算法中每个个体的适应度值。因此，个体的适应度值越大，表明其所对应的制造服务组合方案越好。
容易理解的是，对于已知结构的制造服务组合方案，其QoS属性值容易计算得到，相应地该制造服务组合方案的综合效用值就可以计算得到，关于制造服务组合方案的综合效用值的计算以下不再赘述。
从而根据设定的制造服务组合方案综合效用模型，能够计算出当前种群中综合效用值最大的最优个体，将其作为最优的制造服务组合方案，用于下面的迭代。
步骤S3、将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代。
在基本FPA算法中，一朵花代表优化问题中的一个解，适应度值代表综合效用值，转换概率p控制全局授粉和局部授粉之间的转换。对于每朵花生成一个0-1之间的随机数rand，并将其与转换概率p作比较，若rand<p，则进行全局授粉，否则，进行局部授粉。在全局授粉过程中，每朵花更新位置的依据是该朵花自身与最优个体之间的差值，对应的迭代公式表达如下：
其中，Yi t表示第t代时的个体，Yi t+1表示第t+1代的个体，表示当前进化代中整个种群的最优个体，γ表示全局授粉的缩放因子，参数L(λ)服从莱维分布。
在局部授粉过程中，每朵花更新位置的依据是两个邻近个体之间的差值，对应的迭代公式表达如下：
其中，Yi t表示第t代中的个体，Yi t+1表示第t+1代的个体，和分别代表同一种群中的个体p和个体q，且保证i≠p≠q。r代表局部授粉的随机步长，且r服从(0,1)分布。
本实施例对服务排序向量将其中优先值相同的元素看作一个元素，先对其进行转化，这样可以减少迭代的计算量。例如对于前面4个任务6个制造服务的例子，将转化为Yi＝(R1 R2 R3 R4)，然后执行基本FPA算法。
在迭代时，对于当前代的Yi t，将其随机数rand与转换概率p进行比较，若rand<p，则该个体进行全局授粉，若随机数rand≥p，则该个体进行局部授粉，即对Yi t进行迭代计算，计算得到Yi t+1。
需要说明的是，基本花粉算法经Yang在2012年提出后，还有很多人提出了改进的花粉算法，本发明不限于具体采用什么样的花粉算法，这里不再赘述。
本实施例针对服务选择向量可以采用进化算法中任何算法来进行计算，例如采用差分进化算法进行迭代，或采用遗传算法或者粒子群算法等进化算法进行迭代，以下以差分进化算法(DE)为例进行说明(在实验中效果最好)，所有个体均执行DE算法的变异算子和交叉算子操作。
对于个体i的当前服务选择向量执行DE算法的变异算子操作时，其迭代公式如下：
在上式中，表示变异过程完成后的结果向量，和分别表示当前种群中个体h、个体p和个体q中的服务选择向量，且i≠h≠p≠q。
假设：
表示向量中第d个元素的编码，d属于D，D为制造服务的数量；
表示向量中第d个制造服务的编码，d属于D，D为制造服务的数量。
然后，进行DE算法交叉算子操作，迭代公式如下：
其中，D表示制造服务的数量，d属于D，在上述实施例中D等于6，drand是随机数，且drand∈(1,2,…,D)，CR表示交叉率。
经过执行DE算法的变异算子操作后，可以得到服务选择向量迭代后的向量
在对服务排序向量采用花粉算法FPA进行迭代，对服务选择向量采用DE算法进行迭代进化完成后，根据将Yi转换回并将进化后的三个向量(保持不变)合并成一个三维矩阵，得到进化后的个体。即个体由Xi,t进化到
步骤S4、根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新。
经过步骤S3的迭代后，重新计算当前个体的综合效用值，与迭代前的综合效用值进行比较，如果迭代后个体Xi,t+1的综合效用值大于Xi,t的综合效用值，那么个体位置更新为Xi,t+1。即如果迭代后个体Xi,t+1的综合效用值大于Xi,t的综合效用值，则以个体Xi,t+1作为种群的个体进行下一次迭代，否则仍然用Xi,t作为种群的个体进行下一次迭代。
步骤S5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤S2继续进行迭代。
进化算法均设置有迭代终止条件，本实施例中，设置的迭代终止条件有两个：
一是达到了最大迭代次数，即设置了最大迭代次数，达到了最大迭代次数，则停止迭代。
二是相邻三代之间的平均综合效用差值小于设定的参数，例如0.001，则停止迭代。
上述迭代终止条件还可以仅以相邻二代之间的平均综合效用差值来作为终止条件，或以相邻三代之间的平均综合效用差值来作为终止条件。在每次迭代后，判断是否满足上述两个迭代终止条件，其中任何一个条件得到满足，则停止迭代，进化即终止，输出最优个体，该个体的适应度值最大(对应制造服务组合方案的综合效用值最大)，作为多目标优化问题的最优解，也即最优的制造服务组合方案。如果未达到迭代终止条件，则返回步骤S2进行下一次迭代。
本实施例将基本FPA算法进行改进，以求解制造服务供应链的三维组合优化问题。采用基于矩阵的方式来表达三维组合优化问题，所采用的改进型花粉算法将基本花粉算法与DE算法的变异算子和交叉算子进行了融合。不仅能够计算出不同服务聚合结构下的运输时间和运输成本，而且能够同时求解包括服务聚合、服务选择和服务排序在内的三维组合优化问题。实验结果表明该改进型花粉算法在求解制造服务供应链优化问题时，性能优于传统遗传算法、差分进化算法和基本花粉算法。
此外，与上述方法对应地，本申请还提供了基于改进型花粉算法的制造服务供应链优化系统的实施例，如图3所示，该基于改进型花粉算法的制造服务供应链优化系统包括：
初始化模块，用于根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示；
最优个体计算模块，用于根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体；
迭代模块，用于将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；
更新模块，用于根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；
判断输出模块，用于判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回最优个体计算模块继续计算出当前种群中综合效用值最大的最优个体。
与图1方法对应地，本实施例的基于改进型花粉算法的制造服务供应链优化系统，优选地：
本实施例迭代模块将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代，还执行如下操作：
迭代前将服务排序向量进行转换，将其中优先值相同的元素看作一个元素。
本实施例迭代模块将当前种群中每个个体的服务选择向量采用进化算法进行迭代，执行如下操作：
先对服务选择向量采用差分进化算法的变异算子进行操作；
然后采用差分进化算法的交叉算子进行操作，得到迭代结果。
需要说明的是，本实施例判断输出模块，在判断不满足迭代终止条件时，返回最优个体计算模块继续计算出当前种群中综合效用值最大的最优个体，然后再次进入迭代模块、更新模块和判断输出模块进行计算，直到满足迭代终止条件，输出计算结果，这里不再赘述。
以下通过实验数据进行说明，还是以图2的实施例进行举例：
在该实验案例中，各个服务的聚合方式说明如下：Task1由MS1完成，Task2由MS2和MS3以并行结构完成，Task3由MS4和MS5以选择结构完成，Task4由MS6以循环结构完成。MS4和MS5的被选概率分别是0.3和0.7，MS6的循环次数为6。假设时间、成本、可用性和信誉值的权重均设为0.25。适应度函数采用f(CS)计算公式。每次实验的迭代终止条件有两个：一是达到了最大迭代次数，二是相邻三代之间的平均适应度值差值小于0.001。其中任何一个条件得到满足，进化即终止。
实验中每个制造服务的QoS属性值均为随机生成。各属性值的生成范围如下：执行时间(execution time,0-10小时)、运输时间(transportation time,0-10小时)、执行成本(execution cost,0-50美元)、运输成本(transportation cost,0-50美元)、可用性(availability,0.6-1)以及信誉值(reputation,0.4-1)。该实验案例的约束条件有两个：制造服务组合方案的总时间不大于24小时，总成本不大于120美元。表5显示的是随机生成的部分候选服务的QoS属性值，表6、表7显示的是随机生成的部分相邻服务之间的运输时间和运输成本。
表5
表6
表7
在该实验中，每个候选服务集里的候选服务数量设置为15，初始种群数为30。经过多次试验，现将本实施例改进型花粉算法(IFPA)的相关参数设置如下：在全局授粉中，缩放因子γ设为0.001，λ设为1.5，DE算法中变异算子的缩放因子α设为0.5，交叉算子中的交叉率CR设为0.4。
如图4所示，本实施例IFPA算法可行性验证的实验结果，当进化终止时可以得到的最优个体的适应度值为3.4497。最优个体为：
所对应的制造服务组合方案可表示为因此可以得出以下两个结论：一是在仿真实验中，利用IFPA算法所求得的最优个体的适应度值以及整个种群的平均适应度值，随着迭代次数的增加而逐渐增加；二是当终止条件满足时，可以得到一个相对满意的制造服务组合方案。
为了验证本实施例IFPA算法的优越性，将其与传统GA算法、DE算法以及基本FPA算法等三种元启发式算法进行了对比，实验结果如图5所示。从图中可以得出如下结论：四种进化算法的适应度值都会随着迭代次数的增加而增加，且在多数情况下IFPA算法的适应度值要高于其它三种算法。因此，该实验表明IFPA算法在求解制造服务供应链优化问题时的性能优于其它三种算法。
为验证IFPA算法在求解制造服务供应链优化问题方面的有效性，将其与传统GA算法、DE算法和基本FPA算法在不同的实验环境下进行了对比分析。实验中所涉及到的参数包括：初始种群数以及每个候选服务集中的候选服务数量。
当初始种群数的变化范围为(30-80)时，各算法的对比实验结果如图6所示。实验结果表明，与其它算法相比，在不同的初始种群规模下，由IFPA算法所得到的最优个体的适应度值最大。当每个候选服务集中候选服务数量的变化范围为(10-60)时，各算法的对比实验结果如图7所示。实验结果表明，即使改变候选服务集中的候选服务数量，由IFPA算法所得到的最优个体的适应度值依然大于其它算法所得到的最优个体的适应度值。
通过以上有关IFPA算法可行性及有效性的对比实验，可以得出如下结论：首先，本实施例所提方法能够有效求解包括服务聚合、服务选择和服务排序在内的制造服务三维组合优化问题；其次，IFPA算法求解该问题的性能优于传统GA算法、DE算法和基本FPA算法等其它进化算法。分析其原因，主要是由于IFPA算法融合了DE算法和基本FPA算法的优点，因而具有更快的收敛速度，且可有效避免陷入局部最优的现象。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于改进型花粉算法的制造服务供应链优化方法，其特征在于，所述制造服务供应链优化方法包括：
步骤1、根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示；
步骤2、根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体；
步骤3、将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；
步骤4、根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；
步骤5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤2继续进行迭代。
2.根据权利要求1所述的基于改进型花粉算法的制造服务供应链优化方法，其特征在于，所述迭代终止条件包括：
达到了最大迭代次数；
或，相邻三代之间的平均综合效用差值小于设定的参数。
3.根据权利要求1所述的基于改进型花粉算法的制造服务供应链优化方法，其特征在于，所述制造服务组合方案综合效用模型如下：
f(CS)＝w1TT(CS)+w2TC(CS)+w3TAva(CS)+w4TRep(CS)
其中，f(CS)为制造服务组合方案的综合效用值，w1、w2、w3和w4分别表示制造服务组合方案中时间TT(CS)、成本TC(CS)、可用性TAva(CS)及信誉值TRep(CS)的权重。
4.根据权利要求1所述的基于改进型花粉算法的制造服务供应链优化方法，其特征在于，所述将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代，还包括：
迭代前将服务排序向量进行转换，将其中优先值相同的元素看作一个元素。
5.根据权利要求1所述的基于改进型花粉算法的制造服务供应链优化方法，其特征在于，所述将当前种群中每个个体的服务选择向量采用进化算法进行迭代，包括：
先对服务选择向量采用差分进化算法的变异算子进行操作；
然后采用差分进化算法的交叉算子进行操作，得到迭代结果。
6.一种基于改进型花粉算法的制造服务供应链优化系统，其特征在于，所述制造服务供应链优化系统包括：
初始化模块，用于根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群，将初始种群中每个个体对应的制造服务组合方案采用服务聚合向量、服务排序向量和服务选择向量表示；
最优个体计算模块，用于根据设定的制造服务组合方案综合效用模型，计算出当前种群中综合效用值最大的最优个体；
迭代模块，用于将当前种群中每个个体的服务选择向量采用进化算法进行迭代，将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代；
更新模块，用于根据设定的制造服务组合方案综合效用模型，计算迭代后的个体的综合效用值，比较迭代前后个体的综合效用值，对个体的位置进行更新；
判断输出模块，用于判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回最优个体计算模块继续计算出当前种群中综合效用值最大的最优个体。
7.根据权利要求6所述的基于改进型花粉算法的制造服务供应链优化系统，其特征在于，所述迭代终止条件包括：
达到了最大迭代次数；
或，相邻三代之间的平均综合效用差值小于设定的参数。
8.根据权利要求6所述的基于改进型花粉算法的制造服务供应链优化系统，其特征在于，所述制造服务组合方案综合效用模型如下：
f(CS)＝w1TT(CS)+w2TC(CS)+w3TAva(CS)+w4TRep(CS)
其中，f(CS)为制造服务组合方案的综合效用值，w1、w2、w3和w4分别表示制造服务组合方案中时间TT(CS)、成本TC(CS)、可用性TAva(CS)及信誉值TRep(CS)的权重。
9.根据权利要求6所述的基于改进型花粉算法的制造服务供应链优化系统，其特征在于，所述迭代模块将当前种群中每个个体的服务排序向量采用花粉算法FPA进行迭代，还执行如下操作：
迭代前将服务排序向量进行转换，将其中优先值相同的元素看作一个元素。
10.根据权利要求6所述的基于改进型花粉算法的制造服务供应链优化系统，其特征在于，所述迭代模块将当前种群中每个个体的服务选择向量采用进化算法进行迭代，执行如下操作：
先对服务选择向量采用差分进化算法的变异算子进行操作；
然后采用差分进化算法的交叉算子进行操作，得到迭代结果。
CN201710587284.2A 2017-07-18 2017-07-18 基于改进型花粉算法的制造服务供应链优化方法及系统 Active CN107180286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710587284.2A CN107180286B (zh) 2017-07-18 2017-07-18 基于改进型花粉算法的制造服务供应链优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710587284.2A CN107180286B (zh) 2017-07-18 2017-07-18 基于改进型花粉算法的制造服务供应链优化方法及系统

Publications (2)

Publication Number Publication Date
CN107180286A true CN107180286A (zh) 2017-09-19
CN107180286B CN107180286B (zh) 2020-12-01

Family

ID=59837797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710587284.2A Active CN107180286B (zh) 2017-07-18 2017-07-18 基于改进型花粉算法的制造服务供应链优化方法及系统

Country Status (1)

Country Link
CN (1) CN107180286B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862404A (zh) * 2017-10-24 2018-03-30 浙江财经大学 基于服务相关性的制造服务供应链优化方法
CN109447349A (zh) * 2018-10-29 2019-03-08 浙江财经大学 一种面向网络化相关性感知的制造服务供应链优化方法
CN111047040A (zh) * 2019-12-16 2020-04-21 南京航空航天大学 基于IFPA算法的Web服务组合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160203419A1 (en) * 2013-03-09 2016-07-14 Bigwood Technology, Inc. Metaheuristic-guided trust-tech methods for global unconstrained optimization
CN106230827A (zh) * 2016-08-02 2016-12-14 南京工程学院 一种基于成本效益优化的多目标服务组合方法
CN106647262A (zh) * 2016-11-28 2017-05-10 中国人民解放军国防科学技术大学 一种面向敏捷卫星多目标任务规划的差分进化方法
CN106845643A (zh) * 2017-02-09 2017-06-13 东华理工大学 一种基于改进遗传算法的云服务系统动态演化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160203419A1 (en) * 2013-03-09 2016-07-14 Bigwood Technology, Inc. Metaheuristic-guided trust-tech methods for global unconstrained optimization
CN106230827A (zh) * 2016-08-02 2016-12-14 南京工程学院 一种基于成本效益优化的多目标服务组合方法
CN106647262A (zh) * 2016-11-28 2017-05-10 中国人民解放军国防科学技术大学 一种面向敏捷卫星多目标任务规划的差分进化方法
CN106845643A (zh) * 2017-02-09 2017-06-13 东华理工大学 一种基于改进遗传算法的云服务系统动态演化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖辉辉 等: "一种改进的新型元启发式花朵授粉算法", 《计算机应用研究》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862404A (zh) * 2017-10-24 2018-03-30 浙江财经大学 基于服务相关性的制造服务供应链优化方法
CN107862404B (zh) * 2017-10-24 2020-06-16 浙江财经大学 基于服务相关性的制造服务供应链优化方法
CN109447349A (zh) * 2018-10-29 2019-03-08 浙江财经大学 一种面向网络化相关性感知的制造服务供应链优化方法
CN109447349B (zh) * 2018-10-29 2022-04-19 浙江财经大学 一种面向网络化相关性感知的制造服务供应链优化方法
CN111047040A (zh) * 2019-12-16 2020-04-21 南京航空航天大学 基于IFPA算法的Web服务组合方法

Also Published As

Publication number Publication date
CN107180286B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
Wu et al. An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China
Guo et al. Infrastructure planning for fast charging stations in a competitive market
Jia et al. Multiobjective bilevel optimization for production-distribution planning problems using hybrid genetic algorithm
Afshar et al. Optimizing multi-reservoir operation rules: an improved HBMO approach
CN107977740A (zh) 一种现场运维智能调度方法
CN106487005A (zh) 一种考虑输配电价的电网规划方法
CN109670650A (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
Reis et al. Multi-reservoir operation planning using hybrid genetic algorithm and linear programming (GA-LP): An alternative stochastic approach
CN106055395A (zh) 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法
Chen et al. Operating reserves provision from residential users through load aggregators in smart grid: A game theoretic approach
CN102081754B (zh) 多专家动态协调评判方法及智能化辅助决策支持系统
CN103310279B (zh) 基于混合蚁群算法的多目标优化产品配置方法
Zhao et al. An integrated framework with evolutionary algorithm for multi-scenario multi-objective optimization problems
CN107180286A (zh) 基于改进型花粉算法的制造服务供应链优化方法及系统
CN110033076A (zh) 混合云环境下面向代价优化的工作流数据布局方法
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
CN110390491A (zh) 一种公路工程多目标施工计划确定方法
CN114219212A (zh) 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法
Zaman et al. Multi-method based algorithm for multi-objective problems under uncertainty
Hu et al. Optimal operation of power systems with energy storage under uncertainty: A scenario-based method with strategic sampling
CN105160403B (zh) 一种云制造环境下的资源服务序列验证方法
CN104217296A (zh) 一种上市公司绩效综合评价方法
CN116542001B (zh) 基于改进谱聚类及遗传算法的供水管网独立计量分区方法
CN102708298B (zh) 一种车载通信系统电磁兼容指标分配方法
Liu et al. A Multiobjective optimization model for continuous allocation of emergency rescue materials

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant