CN107679750A

CN107679750A - 一种基于自适应系数遗传算法的云制造服务资源匹配方法

Info

Publication number: CN107679750A
Application number: CN201710916991.1A
Authority: CN
Inventors: 张明; 李春泉; 尚玉玲; 李彩林; 党选举; 李晓冬
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2017-09-30
Filing date: 2017-09-30
Publication date: 2018-02-09
Anticipated expiration: 2037-09-30
Also published as: CN107679750B

Abstract

本发明公开一种基于自适应系数遗传算法的云制造服务资源匹配方法，通过计算种群中每个个体目标函数的值并判断容量限定，舍弃不满足容量要求的个体，计算自适应系数进而计算本轮迭代的选择概率，交叉概率和变异概率，并根据前述概率进行遗传进化，生成新的种群，为种群补充新的个体。本发明根据云制造用户的任务需求求解与之匹配的最佳资源服务组合，保证全部任务的成本与时间乘积之和最低，并满足资源服务的容量限制，避免出现排队等候的情况；改进的遗传算法具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，提高了资源匹配的准确性。

Description

一种基于自适应系数遗传算法的云制造服务资源匹配方法

技术领域

本发明涉及云制造技术领域，具体涉及一种基于自适应系数遗传算法的云制造服务资源匹配方法。

背景技术

传统制造网格、敏捷制造等网络制造模式，存在技术和模式瓶颈，无法大规模推广。为此，结合现有先进制造模式和技术以及云计算、物联网、虚拟化、面向服务技术等新技术，诞生了云制造的概念。

云制造是采取当代信息技术前沿理念(特别是云计算)，把“软件即服务”的理念拓展至“制造即服务”，将成为我国工业4.0的一种重要模式。因云制造系统中云服务的多样性、复杂性、规模性等特点，使得传统网络制造资源匹配方法不能直接用于云制造服务匹配的实现。

云制造服务资源匹配作为云制造任务分配的基础，是实现云制造的关键技术之一，因此研究云制造服务资源的匹配方法对云制造的实施和开展具有重要作用。云制造服务资源可完成一定数量的制造加工工序，而用户的加工制造任务包含一组加工工序需求，二者无法一一对应，单一用户的加工任务由多个服务资源完成不可避免。因此，为加工任务求解最佳的服务资源组合是服务资源匹配的核心问题。

发明内容

本发明提供一种基于自适应系数遗传算法的云制造服务资源匹配方法，其具有较强的鲁棒性，并能提高全局搜索能力。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于自适应系数遗传算法的云制造服务资源匹配方法，具体包括步骤如下：

步骤1，设定遗传算法的参数即设定初始的选择概率Ps、初始的交叉概率Pc、初始的变异概率Pm、种群规模G和最大遗传代数I；并给定初始化种群；

步骤2，根据下式对种群中每个个体的容量限定C进行判断真假判断，并将容量限定C为假False的个体删除；

式中，为分配到服务资源工序j的加工任务数量，C^j为服务资源工序j的容量限定，i为加工任务序号，M为加工任务总数；

步骤3，根据下式计算种群中每个个体的适应度函数F；

式中，Mc_i为任务i的加工费用，Tc_i为任务i的加工耗时，M为任务总数，k为归一化系数；

步骤4、找出种群中容量限定C为真True的最大适应度函数F_max和最小适应度函数F_min及其对应的个体，并根据下式计算自适应系数Ac；

式中，F_max为最大适应度函数，F_min为最小适应度函数；

步骤5、利用自适应系数Ac计算本轮迭代对应的选择概率Ps'、本轮迭代对应的交叉概率Pc'和本轮迭代对应的变异概率Pm'；其中

Ps'＝Ps*Ac

Pc'＝Pc*Ac

Pm'＝Pm*Ac

式中，Ac为自适应系数，Ps为初始的选择概率，Pc为初始的交叉概率，Pm为初始的变异概率；

步骤6、从种群中随机选取一组个体，该组个体的数量，即组规模G'为：

G'＝G*Ps'

式中，G为种群规模，Ps'为本轮迭代对应的选择概率；

步骤7、从步骤6中所选取的那组个体中提取出2个适应度函数最小的个体，并随机生成一个交叉随机概率P_JC；如果交叉随机概率P_JC小于本轮迭代对应的交叉概率Pc'，则对所提取出的这2个个体进行随机数量的染色体一一对应交换，生成新个体，并将新个体添加到新的种群；否则，直接将所提取出的这2个个体添加到新的种群，并将其从原种群中删除；

步骤8、从步骤6中所选取的那组个体中提取出1个适应度函数最大的个体，并随机生成一个变异随机概率P_BY；如果变异随机概率P_BY小于本轮迭代对应的变异概率Pm'，则选中所提取的这1个个体的随机数量染色体，并对这部分染色体重新赋予随机值，生成新个体，并将新个体添加到新的种群；否则，直接将所提取的这1个个体添加到新的种群，并将其从原种群中删除；

步骤9、判断新的种群的个体数量是否达到组规模G'；如果达到，转至步骤10，如果没有达到，转至步骤7；

步骤10、随机生成新的个体添加到新的种群，直到新的种群的个体数量达到种群规模G；

步骤11、迭代次数加1，并判断该迭代次数是否达到最大遗传代数I；如果达到，则输出适应度函数最小的个体作为云制造服务资源匹配结果；如果没有达到，则将用本轮迭代对应的选择概率Ps'、交叉概率Pc'和变异概率Pm'作为初始的选择概率Ps、交叉概率Pc和变异概率Pm，并转至步骤2。

上述步骤1中，设定的初始的选择概率Ps、初始的交叉概率Pc和初始的变异概率Pm的取值范围为(0,1)。

上述步骤7中，对所提取出的这2个个体进行随机个体染色体交换时，所交换的染色体的数量x满足1≤x≤染色体总数。

上述步骤8中，对所提取的这1个个体进行随机个体染色体变异时，所变异的染色体的数量y满足1≤y≤染色体总数。

上述步骤8中，为选中染色体所赋予的随机值小于等于服务资源工序的数量。

与现有技术相比，本发明具有如下特点：

1.本发明根据云制造用户的任务需求求解与之匹配的最佳资源服务组合，保证全部任务的成本与时间乘积之和最低，并满足资源服务的容量限制，避免出现排队等候的情况。

2.本发明改进的遗传算法具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，提高了资源匹配的准确性。

附图说明

图1基于自适应系数遗传算法的资源匹配流程图；

图2遗传算法编码格式；

图3基于标准遗传算法的资源匹配仿真结果；

图4基于自适应系数算法的资源匹配仿真结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

本发明基于自适应系数遗传算法的云制造服务资源匹配方法，求解最佳的服务资源组合为用户的制造任务提供加工服务。首先定义服务资源和制造任务的描述模型；定义全部任务成本与时间的乘积之和最小为目标函数；设定遗传算法的参数，初始化种群；然后计算种群中每个个体目标函数的值并判断容量限定，舍弃不满足容量要求的个体，计算自适应系数进而计算本轮迭代的选择概率，交叉概率和变异概率；之后再根据前述概率进行遗传进化，生成新的种群；为种群补充新的个体，替代被舍弃的个体；最后判断是否达到终止条件，若是则输出结果，否则，重复上述步骤继续求解。

本发明根据云制造服务资源与用户的云制造需求之间的关系，定义服务资源与制造需求的描述模型，利用自适应系数的遗传算法对资源组合进行求解，求出最优的组合方案。

根据云制造服务资源的基本属性，建立云制造服务资源描述模型：

S＝{P_i,E_i,T_i,L_i,C_i|i＝1,2,3,…,n}

其中，P_i为服务资源能够承担的制造工序，E_i为服务资源完成对应制造工序的价格，T_i为预计完成对应制造工序所需时间，L_i为服务资源所在地理位置，C_i为服务资源对应工序的最大容量，T_i仅在工作量不超过最大容量C_i时成立；

根据用户提交的制造任务属性，建立云制造用户任务描述模型：

T＝{{P_i|i＝1,2,3,…,n},W_C,W_T,Q}

其中，P_i为云制造资源需求包含的制造工序，W_C为用户对制造成本的权重，W_T为用户对制造时间的权重。两个权值存在如下约束：0<W_C<1，0<W_T<1，W_C+W_T＝1，Q为云制造资源需求的加工总量；

定义用于遗传算法的适应度函数：

其中，Mc_i为任务i的加工费用，Tc_i为任务i的加工耗时，M为任务总数,k为归一化系数，本例中k＝1000；

任意任务的加工费用Mc可由下式计算获得：

其中，Ct为加工任务在制造工序i和i+1的服务资源间运输的成本，N为加工任务所需的制造工序总数；

任意任务的加工耗时可由下式计算获得：

其中，Tt为加工任务在在制造工序i和i+1的服务资源间运输所消耗的时间，N为加工任务所需的制造工序总数；

定义容量限定C为：

式中，为分配到服务资源工序j的加工任务数量，C^j为服务资源工序j的容量限定，i为加工任务序号，M为加工任务总数。

容量限定C为假(False)表明全部任务中任意工序出现容量超限，则对应的资源匹配组合不满足容量限定要求；

定义染色体编码格式为n*k位十进制数，其中，n为进行资源匹配的任务总数，k为任务中加工工序数量的最大值；

每次进化迭代，均计算每个个体的适应度函数值，并判断资源容量约束限定是否超限；

舍弃容量超出限制的个体；

定义自适应系数：

其中，F_max，F_min分别为本次进化迭代中满足容量限定的适应度函数的最大值和最小值。

由自适应系数与初始设定的选择概率，交叉概率和变异概率相乘获得不同进化迭代过程的对应概率，并以此为依据进行选择，交叉和变异操作；

每次进化迭代，均补充新的种群个体替代被舍弃的个体，保持种群数量不变。

根据服务资源的描述模型，得到一组服务资源的信息描述，如表1所示：

表1服务资源信息描述

其中，P_i为加工工序，S_ij为资源j完成工序i所对应的信息，E为预计的单位加工费用，T为预计的单位加工时间，L为资源所处位置，C为完成工序i所对应的容量。

根据服务需求模型，得到一组待匹配的加工任务信息描述，如表2所示：

表2制造任务信息

T	W_C	W_T	Q
				1	0.75	0.25	300
2	0.7	0.3	300
				3	0.8	0.2	400

其中，T为任务序号，W_C为用户对制造成本的权重，W_T为用户对制造时间的权重，Q为任务的加工数量。

根据服务资源所出位置信息，给出各位置间的物流成本与时间信息，如表3所示：

表3位置间物流成本与时间信息

一种基于自适应系数遗传算法的云制造服务资源匹配方法，如图1所示，具体包括如下步骤：

1)设定遗传算法参数，包括：种群规模G＝400、选择概率Ps＝0.05、交叉概率Pc＝0.95、变异概率Pm＝0.2、最大遗传代数I＝50；

2)初始化种群，染色体为[a₁₁，a₁₂，…a_1k…a_n1，a_n2，…a_nk]，n为任务总数，k为工序总数；参见图2遗传算法编码格式；

3)依次选取种群中的个体，计算其适应度函数F和容量限定C；

4)从种群中删除容量限定C为假的个体，此时种群规模为G'；

5)提取种群中适应度函数F的最小值F_min和最大值F_max及其对应的个体；

6)计算自适应系数

7)分别计算Ps'＝Ps*Ac，Pc'＝Pc*Ac，Pm'＝Pm*Ac，得到本轮迭代对应的选择概率，交叉概率和变异概率；

8)从种群中随机选择一组个体，个体数量为G'＝G*Ps'；

9)选取步骤8)中适应度函数最小的2个个体作为父个体，根据交叉概率Pc'，判断是否进行交叉操作：如果交叉，则父个体进行随机数量染色体一一对应交换，生成新的个体，添加到新种群；如果不交叉，则将父个体直接添加到新种群，并从原种群中剔除父个体；

10)根据变异概率Pm'，判断是否进行变异操作：如果变异，则选取步骤8)中适应度函数最大的个体，选中随机数量染色体，对这部分染色体重新赋予随机值，每个染色体所赋予的随机值小于等于所对应的资源工序数量，并将由此生成的新个体添加到新种群；

11)判断新种群是否达到种群规模为G'，如果没有，则重复步骤8；

12)随机生成新的个体添加到新种群中，直到G'＝G为止；

13)遗传代数加1，判断遗传代数是否达到设定的最大遗传代数I，如果没有，则重复步骤3；

14)输出结果。

本发明通过定义云制造中服务资源和制造任务的描述方法和全部任务成本与时间的乘积之和最小为目标函数，建立服务资源与制造任务的数学模型，将匹配问题转化为求解目标函数的最小解，通过自适应概率遗传算法进行匹配求解，求解云制造服务资源与制造任务的匹配问题，以求得最佳的服务资源组合为用户的制造任务提供加工服务。本发明通过对服务资源容量的限制，保证一组加工任务得到合理分配，避免出现排队等候的情况。本发明以全部任务的成本与时间乘积之和最低为目标，得到最优的云服务资源组合方案。图3基于标准遗传算法的资源匹配仿真结果；图4基于自适应系数算法的资源匹配仿真结果。本发明的匹配过程采用改进的遗传算法问题求解，具有较强的鲁棒性、提高全局搜索能力。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims

1.一种基于自适应系数遗传算法的云制造服务资源匹配方法，其特征是，具体包括步骤如下：

步骤3，根据下式计算种群中每个个体的适应度函数F；

<mrow> <mi>F</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>Mc</mi> <mi>i</mi> </msub> <mo>*</mo> <msub> <mi>Tc</mi> <mi>i</mi> </msub> <mo>/</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow>

式中，F_max为最大适应度函数，F_min为最小适应度函数；

Ps'＝Ps*Ac

Pc'＝Pc*Ac

Pm'＝Pm*Ac

G'＝G*Ps'

式中，G为种群规模，Ps'为本轮迭代对应的选择概率；

2.根据权利要求1所述的一种基于自适应系数遗传算法的云制造服务资源匹配方法，其特征是，步骤1中，设定的初始的选择概率Ps、初始的交叉概率Pc和初始的变异概率Pm的取值范围为(0,1)。

3.根据权利要求1所述的一种基于自适应系数遗传算法的云制造服务资源匹配方法，其特征是，步骤7中，对所提取出的这2个个体进行随机个体染色体交换时，所交换的染色体的数量x满足1≤x≤染色体总数。

4.根据权利要求1所述的一种基于自适应系数遗传算法的云制造服务资源匹配方法，其特征是，步骤8中，对所提取的这1个个体进行随机个体染色体变异时，所变异的染色体的数量y满足1≤y≤染色体总数。

5.根据权利要求1所述的一种基于自适应系数遗传算法的云制造服务资源匹配方法，其特征是，步骤8中，为选中染色体所赋予的随机值小于等于服务资源工序的数量。