CN107317699B - 一种云制造服务组合的动态蚁群快速优选方法 - Google Patents
一种云制造服务组合的动态蚁群快速优选方法 Download PDFInfo
- Publication number
- CN107317699B CN107317699B CN201710380820.1A CN201710380820A CN107317699B CN 107317699 B CN107317699 B CN 107317699B CN 201710380820 A CN201710380820 A CN 201710380820A CN 107317699 B CN107317699 B CN 107317699B
- Authority
- CN
- China
- Prior art keywords
- stage
- cloud manufacturing
- ant colony
- service combination
- ants
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种云制造服务组合的动态蚁群快速优选方法,该方法根据用户请求,在云制造服务组合的QoS(Quality of Service)评估模型之上,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)四个方面得到一个适应度函数F,应用改进蚁群算法进行搜索,以此优选结果分配组合服务。优化搜索过程采用了两个阶段,第一阶段蚂蚁进行全局搜索且加入较大的随机扰动,第二阶段蚂蚁进行局部搜索且加入较小的随机扰动,保证算法在前期不陷入局部最优,后期有较快的收敛速率。本发明能够解决原始蚁群算法易陷入局部最优解、收敛速度慢及容易出现搜索停滞的问题,并且在解决大规模云制造服务组合问题上也有较好的效果。
Description
技术领域
本发明涉及一种云制造服务组合的动态蚁群快速优选方法,属于云制造技术领域。
背景技术
随着科学技术的不断发展,制造产业的生产制造标准更加统一规范。许多复杂的产品由一家制造企业单独完成改为多家合作完成,每家企业只完成复杂产品的一道或几道工序。制造企业闲置的制造能力也会向外提供来获取一定的报酬。制造商的制造能力通过网络集合形成资源池,这就是传统的制造模式转变为云制造。
云制造是2010年开始出现的概念,综合国内外对云制造概念的阐述,定义如下:云制造(Cloud Manufacturing)是一种面向服务、效率高、功耗低基于互联网的新型制造模式。用户可以根据自己的需求来动态的调整制造资源。云制造平台有多种容错技术。单个物理节点发生故障,云制造平台都会在后台将制造转移到其他的资源上继续完成,因此云制造模式比传统的制造模式更具有安全性和可靠性。QoS(Quality of Service)评价模型是当前使用最多的评价模型之一。在本文中QoS包含四个方面,分别是成本C(Cost),时间T(Time),质量函数Q(Quality function),满意度S(Satisfaction)。云制造服务组合问题是典型的NP难问题,但是,在现有的技术中采用遗传算法、人工蜂群算法、狼群算法和蚁群算法等群智能算法,这些算法都存在易陷入局部最优解和收敛较缓慢的问题。
发明内容
本发明目的针对上述现有技术的不足,提出了一种云制造服务组合的动态蚁群快速优选方法,该方法针对原始蚁群算法易陷入局部最优解和搜索效率低的问题,很好地解决了易陷入局部最优解和收敛较缓慢的问题。本发明分为两个阶段,第一阶段蚂蚁进行全局搜索且加入较大的随机扰动,第二阶段蚂蚁进行局部搜索且加入较小的随机扰动。不同阶段分别进行全局搜索和局部搜索且加入不同的随机扰动。根据适应度函数方差的大小是否超过阈值作为第一阶段向第二阶段跳转的标准。
本发明解决其技术问题所采取的技术方案是:一种云制造服务组合的动态蚁群快速优选方法,该方法包括如下步骤:
步骤1:根据用户需求建立适当QoS评价模型,此评价模型中包含四个方面,它们分别是成本C(Cost),时间T(Time),质量函数Q(Quality function),满意度S(Satisfaction)。以此得到一个适应度函数F如下:
步骤2:将任务分解成若干子任务,使用本发明中改进算法进行任务与资源的最优匹配,第一阶段蚂蚁进行全局搜索且加入较大的随机扰动。
步骤3:第一阶段向第二阶段过度时,采用一个阈值控制,当5次适应度函数的方差小于阈值转到下一个阶段。
步骤4:算法第二阶段蚂蚁进行局部搜索且加入较小的随机扰动。
步骤5:将最优匹配结果反馈给用户。
本发明首先根据用户请求建立适当的评价模型,然后使用改进蚁群算法从云资源池中搜索合适的资源进行服务分配,最后将最优结果反馈给用户。本发明中改进算法可分为两个阶段,不同阶段分别进行全局搜索和局部搜索且加入不同程度的随机扰动。具体技术方案包括如下:
1.根据用户请求,建立适当的评价模型,求出适应度函数。
2.对任务进行分解,从云资源池中找出相关的资源。
3.通过改进蚁群算法对众多资源进行分配,步骤如下。
4.初始化参数。每条路径上的信息素τij(t)=const,迭代次数Nc=0。
5.第一阶段:
步骤1:将M只蚂蚁放于起始位置,令k=0,k为第k只蚂蚁。
步骤2:迭代次数增加一次,Nc=Nc+1。
步骤3:蚂蚁数量增加1,k=k+1。
步骤4:采用自适应伪随机比例选择规则来选择下一个节点,即对于位于节
点ij的蚂蚁,按式(3)选择下一个节点:
式中w为[0,1]上的随机数,它越小系统随机选择下一个节点的概率就越大,第一阶段wo=0.8,较大的wo能保证蚂蚁在第一阶段选择下一跳节点的随机性较大,不易陷入局部最优。s由式(4)确定。当w>wo时根据概率确定第k个蚂蚁从资源节点ij到pq的路径。
式中allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务;α表示信息素因子;β表示期望启发式因子;ηis,pq(t)表示由is移动到pq的期望程度;表示第k个蚂蚁第t次迭代在(ij,pq)路径上残留的信息素。
步骤5:如果蚂蚁的数量大于最大值M,则进入步骤6;否则进入步骤3。
步骤6:根据公式(5)-(7)更新每条线路上的信息素。
τij,pq(t+1)=ρ·τij,pq(t)+Δτij,pq(t) (5)
其中ρ(0<ρ<1)表示信息素残留系数,用1-ρ表示信息素的挥发系数。
步骤7:判断迭代次数是否达到最大次数,若达到,进入步骤8,否则进入步骤2。
步骤8:再进行5次迭代,并记录5次迭代的适应度值,求出5次适应度值的方差S2。
步骤1:将M只蚂蚁放于起始位置,令k=0,k为第k只蚂蚁。
步骤2:迭代次数增加一次,Nc=Nc+1。
步骤3:蚂蚁数量增加1,k=k+1。
步骤4:采用自适应伪随机比例选择规则来选择下一个节点,即对于位于节点ij的蚂蚁,按式(3)选择下一个节点,式中w为[0,1]上的随机数,它越小系统随机选择下一个节点的概率就越大,第二阶段wo=0.2,较小的wo能保证蚂蚁在第二阶段选择下一个节点的随机性较小,保证了算法在第二阶段加速收敛。s由式(8)确定。当w>wo时根据概率确定第k个蚂蚁从资源节点ij到pq的路径。
基本蚁群算法中pq属于allowedk,这样会有一个较大的搜索空间。此改进算法中第二阶段从一个节点转移到下一个节点时的候选节点属于原空间的一个子空间,往往解都在这些子空间里。如附图5所示,PCh表示以Ch为圆心的一个圆,半径R一般等于当前节点Ch和上一步节点的距离。α表示信息素因子;β表示期望启发式因子;ηis,pq(t)表示由is移动到pq的期望程度;表示第k个蚂蚁第t次迭代在(ij,pq)路径上残留的信息素。
步骤5:如果蚂蚁的数量大于最大值M,则进入步骤6;否则进入步骤3。
步骤6:根据公式(5)-(7)更新每条线路上的信息素。
步骤7:判断迭代次数是否达到最大次数,若达到,则输出优选结果,否则进入步骤2。
7.将最优匹配结果反馈给用户。
有益效果:
1、本发明应用于云制造服务组合优选,通过改进蚁群算法第一阶段进行全局搜索以及较大的随机扰动,有效的防止算法进入局部最优解而停滞,提高优选效率。
2、本发明应用于云制造服务组合优选,通过改进蚁群算法第二阶段进行局部搜索以及较小的随机扰动,能够加速算法的收敛,提高效率。
3、本发明能够快速对云制造组合服务进行匹配,并且对大规模的云制造服务组合问题也能取得较好的效果。
附图说明
图1为基于动态蚁群快速优选方法的云制造服务组合总体框图。
图3为云制造资源的服务传递过程图。
图4为QoS评价模型图。
图5为局部搜索示意图,B为当前节点,A为上一跳节点。
图6为基本蚁群算法流程图。Nc为迭代次数,k为第k只蚂蚁,M为蚂蚁总数,Ncmax为最大迭代次数。
具体实施方式
下面结合说明书附图对发明创造作进一步的详细说明。
本发明提出了一种云制造服务组合的动态蚁群快速优选方法,具体匹配问题使用改进蚁群算法进行优选,此改进该算法实时的过程模型如图2所示。从图中可以看出,该方法主要分为两个阶段。
下面详细介绍算法的实施细节过程,如图1、图2、图3、图4、图5和附图6所示,具体包括:
1.根据用户请求,建立云制造服务组合模型,求出适应度函数。本发明建立在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)四个方面得到一个适应度函数F,QoS评价模型如附图4所示。得到适应度函数如下:
2.对任务进行分解,从云资源池中找出相关的资源。
3.通过改进蚁群算法对众多资源进行分配,步骤如下。
4.初始化参数。每条路径上的信息素τij(t)=const,迭代次数Nc=0。
5.第一阶段:
步骤1:将M只蚂蚁放于起始位置,令k=0,k为第k只蚂蚁。
步骤2:迭代次数增加一次,Nc=Nc+1。
步骤3:蚂蚁数量增加1,k=k+1。
步骤4:采用自适应伪随机比例选择规则来选择下一个节点,即对于位于节点ij的蚂蚁,按式(10)选择下一个节点:
式中w为[0,1]上的随机数,它越小系统随机选择下一个节点的概率就越大,第一阶段wo=0.8,较大的wo能保证蚂蚁在第一阶段选择下一跳节点的随机性较大,不易陷入局部最优。s由式(11)确定。当w>wo时根据概率确定第k个蚂蚁从资源节点ij到pq的路径。
式中allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务;α表示信息素因子;β表示期望启发式因子;ηis,pq(t)表示由is移动到pq的期望程度;表示第k个蚂蚁第t次迭代在(ij,pq)路径上残留的信息素。
步骤5:如果蚂蚁的数量大于最大值M,则进入步骤6;否则进入步骤3。
步骤6:根据公式(12)-(14)更新每条线路上的信息素。
τij,pq(t+1)=ρ·τij,pq(t)+Δτij,pq(t) (12)
其中ρ(0<ρ<1)表示信息素残留系数,用1-ρ表示信息素的挥发系数。
步骤7:判断迭代次数是否达到最大次数,若达到,进入步骤8,否则进入步骤2。
步骤8:再进行5次迭代,并记录5次迭代的适应度值,求出5次适应度值的方差S2。
6.第二阶段:
步骤1:将M只蚂蚁放于起始位置,令k=0,k为第k只蚂蚁。
步骤2:迭代次数增加一次,Nc=Nc+1。
步骤3:蚂蚁数量增加1,k=k+1。
步骤4:采用自适应伪随机比例选择规则来选择下一个节点,即对于位于节点ij的蚂蚁,按式(10)选择下一个节点,式中w为[0,1]上的随机数,它越小系统随机选择下一个节点的概率就越大,第二阶段wo=0.2,较小的wo能保证蚂蚁在第二阶段选择下一个节点的随机性较小,保证了算法在第二阶段加速收敛。s由式(15)确定。当w>wo时根据概率确定第k个蚂蚁从资源节点ij到pq的路径。
基本蚁群算法中pq属于allowedk,这样会有一个较大的搜索空间。此改进算法中第二阶段从一个节点转移到下一个节点时的候选节点属于原空间的一个子空间,往往解都在这些子空间里。如附图5所示,PCh表示以Ch为圆心的一个圆,半径R一般等于当前节点Ch和上一步节点的距离。α表示信息素因子;β表示期望启发式因子;ηis,pq(t)表示由is移动到pq的期望程度;表示第k个蚂蚁第t次迭代在(ij,pq)路径上残留的信息素。
步骤5:如果蚂蚁的数量大于最大值M,则进入步骤6;否则进入步骤3。
步骤6:根据公式(12)-(14)更新每条线路上的信息素。
步骤7:判断迭代次数是否达到最大次数,若达到,则输出优选结果,否则,进入步骤2。
7.将最优匹配结果反馈给用户。
Claims (1)
1.一种云制造服务组合的动态蚁群快速优选方法,其特征在于,所述方法包括如下步骤:
步骤1:根据用户需求建立QoS评价模型,所述评价模型包括成本C、时间T、质量函数Q和满意度S,得到一个适应度函数F为:
步骤2:将任务分解成若干子任务,进行任务与资源的最优匹配,第一阶段蚂蚁进行全局搜索且加入较大的随机扰动;
步骤3:第一阶段向第二阶段过渡时,采用一个阈值控制,当适应度函数的方差小于阈值转到下一个阶段;
步骤4:第二阶段蚂蚁进行局部搜索且加入较小的随机扰动;
步骤5:将最优匹配结果反馈给用户;
所述方法首先进行云制造服务组合评价模型的建立;
所述方法的第一阶段下一跳转移在全局范围进行搜索,第二阶段进行局部搜索,下一跳的转移范围被限定在一定的局部范围内,不用对所有的节点进行搜索;
所述方法在第一阶段向第二阶段过渡时,采用一个阈值控制,当5次适应度函数的方差小于阈值转到下一个阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710380820.1A CN107317699B (zh) | 2017-05-25 | 2017-05-25 | 一种云制造服务组合的动态蚁群快速优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710380820.1A CN107317699B (zh) | 2017-05-25 | 2017-05-25 | 一种云制造服务组合的动态蚁群快速优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107317699A CN107317699A (zh) | 2017-11-03 |
CN107317699B true CN107317699B (zh) | 2020-11-13 |
Family
ID=60182166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710380820.1A Active CN107317699B (zh) | 2017-05-25 | 2017-05-25 | 一种云制造服务组合的动态蚁群快速优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107317699B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256625A (zh) * | 2018-01-30 | 2018-07-06 | 齐德昱 | 基于模型化云中多层分解与归结的群智创新创造方法 |
CN109002965B (zh) * | 2018-06-22 | 2022-04-15 | 南京邮电大学 | 一种云制造服务合作水平评估系统及使用方法 |
CN110633784B (zh) * | 2018-06-25 | 2022-07-22 | 沈阳中科数控技术股份有限公司 | 一种多规则人工蜂群改进算法 |
CN109146160A (zh) * | 2018-08-06 | 2019-01-04 | 河海大学常州校区 | 一种云制造资源服务调度方法 |
CN110135657A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨理工大学 | 一种基于隶属云模型蚁群算法的桥梁支座自动喷涂轨迹 |
CN110414826B (zh) * | 2019-07-23 | 2022-03-15 | 浙江财经大学 | 一种云制造环境下柔性多任务前摄性调度优化方法 |
CN111932106B (zh) * | 2020-08-05 | 2022-06-28 | 山东科技大学 | 一种有效实用的云制造任务与服务资源匹配方法 |
CN112822043A (zh) * | 2020-12-31 | 2021-05-18 | 扆亮海 | 预防局部极优的高质量网络服务组合方法 |
CN115277445B (zh) * | 2022-07-11 | 2023-08-15 | 北京理工大学 | 一种基于QoS目标的微服务系统调度优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799888A (zh) * | 2010-01-22 | 2010-08-11 | 浙江大学 | 基于仿生智能蚁群算法的工业软测量方法 |
CN106022475A (zh) * | 2016-07-13 | 2016-10-12 | 南京邮电大学 | 基于动态自适应混沌蚁群算法的Web服务组合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
-
2017
- 2017-05-25 CN CN201710380820.1A patent/CN107317699B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799888A (zh) * | 2010-01-22 | 2010-08-11 | 浙江大学 | 基于仿生智能蚁群算法的工业软测量方法 |
CN106022475A (zh) * | 2016-07-13 | 2016-10-12 | 南京邮电大学 | 基于动态自适应混沌蚁群算法的Web服务组合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107317699A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107317699B (zh) | 一种云制造服务组合的动态蚁群快速优选方法 | |
US20210133534A1 (en) | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm | |
Lu et al. | A load-adapative cloud resource scheduling model based on ant colony algorithm | |
CN108920280A (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练系统及训练方法 | |
Zhu et al. | Dynamic economic emission dispatch using modified NSGA‐II | |
CN109413710B (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
CN115934333A (zh) | 基于历史数据感知的云计算资源调度方法及调度系统 | |
CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
WO2020147450A1 (zh) | 基于计算图进化的ai模型自动生成的方法 | |
CN108121312A (zh) | 基于一体化水电管控平台的arv负载均衡系统及方法 | |
CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
Kashyap et al. | DECENT: Deep learning enabled green computation for edge centric 6G networks | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
CN109669957A (zh) | 一种基于多蚁群遗传算法的分布式数据库查询优化方法 | |
Benmammar et al. | A pareto optimal multi-objective optimisation for parallel dynamic programming algorithm applied in cognitive radio ad hoc networks | |
CN106936905B (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度系统 | |
CN115150335B (zh) | 一种基于深度强化学习的最优流量分割的方法和系统 | |
CN113543225A (zh) | 一种电力无线专网安全动态资源分配的方法和系统 | |
Xiaoguang et al. | Research on cloud computing schedule based on improved hybrid PSO | |
CN112446484A (zh) | 一种多任务训练集群智能网络系统及集群网络优化方法 | |
CN109889573A (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 201, building 2, phase II, No.1 Kechuang Road, Yaohua street, Qixia District, Nanjing City, Jiangsu Province, 210003 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |