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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107679750A CN107679750A CN201710916991.1A CN201710916991A CN107679750A CN 107679750 A CN107679750 A CN 107679750A CN 201710916991 A CN201710916991 A CN 201710916991A CN 107679750 A CN107679750 A CN 107679750A
- Authority
- CN
- China
- Prior art keywords
- probability
- population
- individuals
- individual
- new
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 230000006978 adaptation Effects 0.000 title abstract 3
- 230000035772 mutation Effects 0.000 claims abstract description 8
- 210000000349 chromosome Anatomy 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,Cj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,Mci为任务i的加工费用,Tci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Fmax和最小适应度函数Fmin及其对应的个体,并根据下式计算自适应系数Ac;
式中,Fmax为最大适应度函数,Fmin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PJC;如果交叉随机概率PJC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PBY;如果变异随机概率PBY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={Pi,Ei,Ti,Li,Ci|i=1,2,3,…,n}
其中,Pi为服务资源能够承担的制造工序,Ei为服务资源完成对应制造工序的价格,Ti为预计完成对应制造工序所需时间,Li为服务资源所在地理位置,Ci为服务资源对应工序的最大容量,Ti仅在工作量不超过最大容量Ci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={{Pi|i=1,2,3,…,n},WC,WT,Q}
其中,Pi为云制造资源需求包含的制造工序,WC为用户对制造成本的权重,WT为用户对制造时间的权重。两个权值存在如下约束:0<WC<1,0<WT<1,WC+WT=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,Mci为任务i的加工费用,Tci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,Cj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,Fmax,Fmin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,Pi为加工工序,Sij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 | WC | WT | 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,WC为用户对制造成本的权重,WT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,…a1k…an1,an2,…ank],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Fmin和最大值Fmax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 (5)
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,Cj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;
<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,Mci为任务i的加工费用,Tci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Fmax和最小适应度函数Fmin及其对应的个体,并根据下式计算自适应系数Ac;
<mrow>
<mi>A</mi>
<mi>c</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>F</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中,Fmax为最大适应度函数,Fmin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PJC;如果交叉随机概率PJC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PBY;如果变异随机概率PBY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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916991.1A CN107679750B (zh) | 2017-09-30 | 2017-09-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916991.1A CN107679750B (zh) | 2017-09-30 | 2017-09-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679750A true CN107679750A (zh) | 2018-02-09 |
CN107679750B CN107679750B (zh) | 2020-10-02 |
Family
ID=61139009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916991.1A Active CN107679750B (zh) | 2017-09-30 | 2017-09-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679750B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150237A (zh) * | 2018-08-15 | 2019-01-04 | 桂林电子科技大学 | 一种鲁棒多用户检测器设计方法 |
CN110750723A (zh) * | 2019-10-23 | 2020-02-04 | 太原师范学院 | 一种基于制造任务流程的刀具选配组合推荐方法 |
CN110782082A (zh) * | 2019-10-23 | 2020-02-11 | 太原科技大学 | 一种基于差分进化法的刀具组合推荐方法 |
CN110837918A (zh) * | 2019-10-08 | 2020-02-25 | 北京航空航天大学 | 一种多层集成调度机制 |
CN111144724A (zh) * | 2019-12-18 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
CN111222665A (zh) * | 2018-11-26 | 2020-06-02 | 沈阳高精数控智能技术股份有限公司 | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 |
CN111932106A (zh) * | 2020-08-05 | 2020-11-13 | 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 |
CN112631612A (zh) * | 2020-12-03 | 2021-04-09 | 杭州谐云科技有限公司 | 一种基于遗传算法的kubernetes云平台配置的优化方法 |
CN112787833A (zh) * | 2019-11-07 | 2021-05-11 | 中国电信股份有限公司 | 内容分发网络cdn服务器的部署方法和装置 |
CN112801387A (zh) * | 2021-02-04 | 2021-05-14 | 南京邮电大学 | 一种基于改进遗传算法的云制造服务组合优化方法 |
CN116307296A (zh) * | 2023-05-22 | 2023-06-23 | 南京航空航天大学 | 云上资源优化配置方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10293784A (ja) * | 1997-04-18 | 1998-11-04 | Hitachi Ltd | スケジューリング方法及び装置 |
CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
CN106611287A (zh) * | 2016-08-18 | 2017-05-03 | 四川用联信息技术有限公司 | 云制造中多目标资源无偏好优化配置算法 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
US20170262752A1 (en) * | 2013-05-20 | 2017-09-14 | International Business Machines Corporation | Adaptive cataclysms in genetic algorithms |
-
2017
- 2017-09-30 CN CN201710916991.1A patent/CN107679750B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10293784A (ja) * | 1997-04-18 | 1998-11-04 | Hitachi Ltd | スケジューリング方法及び装置 |
CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
US20170262752A1 (en) * | 2013-05-20 | 2017-09-14 | International Business Machines Corporation | Adaptive cataclysms in genetic algorithms |
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
CN106611287A (zh) * | 2016-08-18 | 2017-05-03 | 四川用联信息技术有限公司 | 云制造中多目标资源无偏好优化配置算法 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
Non-Patent Citations (3)
Title |
---|
LAILI YUANJUN ETAL.: "Energy adaptive immune genetic algorithm for collaborative design task scheduling in cloud manufacturing system", 《PROCEEDINGS OF 2011 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND ENGINEERING MANAGEMENT》 * |
董建明 等: "基于自适应遗传互相关算法的模板匹配", 《浙江理工大学学报》 * |
陈超: "自适应遗传算法的改进研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150237A (zh) * | 2018-08-15 | 2019-01-04 | 桂林电子科技大学 | 一种鲁棒多用户检测器设计方法 |
CN111222665A (zh) * | 2018-11-26 | 2020-06-02 | 沈阳高精数控智能技术股份有限公司 | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 |
CN111222665B (zh) * | 2018-11-26 | 2023-09-26 | 沈阳中科数控技术股份有限公司 | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 |
CN110837918A (zh) * | 2019-10-08 | 2020-02-25 | 北京航空航天大学 | 一种多层集成调度机制 |
CN110750723B (zh) * | 2019-10-23 | 2022-04-15 | 太原师范学院 | 一种基于制造任务流程的刀具选配组合推荐方法 |
CN110750723A (zh) * | 2019-10-23 | 2020-02-04 | 太原师范学院 | 一种基于制造任务流程的刀具选配组合推荐方法 |
CN110782082A (zh) * | 2019-10-23 | 2020-02-11 | 太原科技大学 | 一种基于差分进化法的刀具组合推荐方法 |
CN112787833B (zh) * | 2019-11-07 | 2022-08-12 | 中国电信股份有限公司 | 内容分发网络cdn服务器的部署方法和装置 |
CN112787833A (zh) * | 2019-11-07 | 2021-05-11 | 中国电信股份有限公司 | 内容分发网络cdn服务器的部署方法和装置 |
CN111144724A (zh) * | 2019-12-18 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
CN111144724B (zh) * | 2019-12-18 | 2022-04-22 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
CN111932106A (zh) * | 2020-08-05 | 2020-11-13 | 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 |
CN112631612A (zh) * | 2020-12-03 | 2021-04-09 | 杭州谐云科技有限公司 | 一种基于遗传算法的kubernetes云平台配置的优化方法 |
CN112801387A (zh) * | 2021-02-04 | 2021-05-14 | 南京邮电大学 | 一种基于改进遗传算法的云制造服务组合优化方法 |
CN112801387B (zh) * | 2021-02-04 | 2022-07-29 | 南京邮电大学 | 一种基于改进遗传算法的云制造服务组合优化方法 |
CN116307296A (zh) * | 2023-05-22 | 2023-06-23 | 南京航空航天大学 | 云上资源优化配置方法 |
CN116307296B (zh) * | 2023-05-22 | 2023-09-29 | 南京航空航天大学 | 云上资源优化配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107679750B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679750B (zh) | 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 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
CN108320057B (zh) | 一种基于有限制稳定配对策略的柔性作业车间调度方法 | |
Tay et al. | Evolving dispatching rules using genetic programming for solving multi-objective flexible job-shop problems | |
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 | |
CN104636871B (zh) | 一种基于数据的单阶段多产品批处理的控制方法 | |
CN110321217B (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN104035816A (zh) | 一种基于改进nsga-ii的云计算任务调度方法 | |
CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
CN113821318A (zh) | 一种物联网跨域子任务组合协同计算方法及系统 | |
CN106650993B (zh) | 一种基于马尔科夫决策过程的动态资源优化方法 | |
CN111399933A (zh) | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 | |
CN109298930B (zh) | 一种基于多目标优化的云工作流调度方法及装置 | |
CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN115454612A (zh) | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN115543556A (zh) | 一种基于多任务遗传编程算法的自适应符号回归方法 | |
He | Optimization of edge delay sensitive task scheduling based on genetic algorithm | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
CN115617510A (zh) | 一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统 | |
CN109746918B (zh) | 一种联合优化的云机器人系统延时的优化方法 | |
CN113127167A (zh) | 一种基于改进遗传算法的异构资源智能并行调度方法 | |
CN111078361A (zh) | 基于分布式估计算法的云工作流调度优化方法 | |
Zhou | A Heuristic Task Scheduling Strategy for Intelligent Manufacturing in the Big Data‐Driven Fog Computing Environment | |
CN112506635B (zh) | 基于自适应策略的进化免疫方法 |
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 |