CN109086974A - 云制造能源认知管理系统 - Google Patents
云制造能源认知管理系统 Download PDFInfo
- Publication number
- CN109086974A CN109086974A CN201810750079.8A CN201810750079A CN109086974A CN 109086974 A CN109086974 A CN 109086974A CN 201810750079 A CN201810750079 A CN 201810750079A CN 109086974 A CN109086974 A CN 109086974A
- Authority
- CN
- China
- Prior art keywords
- granulosa
- numerical value
- compatibility
- information
- kernel
- 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 claims abstract description 76
- 238000009826 distribution Methods 0.000 abstract description 9
- 230000019771 cognition Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种云制造能源认知管理系统,所述系统包括:映射单元,将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒;整合单元,将所得到的多个信息粒进行整合,得到对应的多个分量粒结构;配置单元,采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。上述的方案,可以提高云制造任务的服务分配效率,并节约计算资源。
Description
技术领域
本发明涉及云制造技术领域,具体地涉及一种云制造能源认知管理系统。
背景技术
云制造是一种面向服务的、高效低耗和基于知识的网络化智能制造新模式,是对现有网络化制造与服务技术进行的延伸和变革。它将各类制造资源和制造能力虚拟化、服务化,构成制造资源和制造能力池,并进行统一的、集中的智能化管理和经营,实现智能化、多方共赢、普适化和高效的共享和协同,通过网络和云制造系统为制造全生命周期过程提供可随时获取的、按需使用的、安全可靠的、优质廉价的服务。
在云制造模式下通过服务的组合实现资源及服务的整合,首先需要将无法被已有服务所满足的复杂任务请求分解为一系列的子任务,针对每一子任务,为其分配合适的具体服务,实现复杂任务请求到云制造系统中已有具体服务的映射,为下一步通过执行服务来完成用户的服务请求提供可能。
但是,现有的混合决策驱动的云制造能源管理方法在对服务请求进行服务分配时,存在着计算量大、效率低下的问题。
发明内容
本发明解决的技术问题是如何提高云制造任务的服务分配效率,并节约计算资源。
为解决上述技术问题,本发明实施例提供了一种云制造能源认知管理系统,所述系统包括:
映射单元,适于将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒;
整合单元,适于将所得到的多个信息粒进行整合,得到对应的多个分量粒结构;
配置单元,适于采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。
可选地,所述整合单元,适于计算信息粒之间的粒相容性数值;将粒相容性数值相同的信息粒归入同一粒层,从而将所述多个信息粒划分为多个粒层;计算所得到的粒层的粒层相容性数值;将粒层相容性数值位于同一取值范围内的粒层整合为一个初始粒结构,得到对应的多个初始粒结构;计算所得到的初始粒结构的粒相容性数值,并将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构,并将剩余的其他初始粒结构分别作为一个分量粒结构,得到对应的多个分量粒结构。
可选地,所述整合单元,适于采用如下的公式计算信息粒之间的粒相容性数值:
其中,Cfit表示两个信息粒的粒相容性数值,k表示信息粒的标志属性的总数,Xi表示两个信息粒的第i个标志属性的方差。
可选地,所述整合单元,适于采用如下的公式计算粒层的粒层相容性数值:
其中,Cfit′表示粒层的粒层相容性数值,k表示信息粒的标志属性的总数,Yi表示信息粒层中所有信息粒的第i个标志属性的方差。
可选地,所述整合单元,适于采用如下的公式将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构:
f:MSi×MSj→MSk(k=1,2,3,…,N),且满足如下的运算规则:
f(MSi,MSj)=(f1(LAi,LAj),f2(LRi,LRj));
MSi=(LAi,LRi)(i=1,2,3,…,k);
MSj=(LAj,LRj)(j=1,2,3,…,k,且i≠j);
LA={L1,L2,L3,…,Lm}.
LR={α|α(Lj,Lk)}.
其中,MSi、MSj分别表示粒相容性数值最小的两个初始粒结构,MSk表示将粒相容性数值最小的两个初始粒结构MSi、MSi整合得到的分量粒结构,LAi表示在初始粒结构MSi中粒层L的集合,LRi表示表示在初始粒结构MSi中粒层间的转换关系集,Li是粒结构中的一个粒层,LA表示粒层的集合,LR表示某两个粒层Lj与Lk的信息粒之间的转换关系集,f1、f2分别表示分别二元映射函数关系,α表示同粒层或跨粒层的信息粒之间的偏序关系。
可选地,所述系统还包括:
更新单元,适于当所述复杂制造任务所使用的制造资源发生变化时,对所述分量粒结构进行更新。
可选地,所述更新单元,适于对所得到的多个分量粒结构进行分解、合并和删除。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
上述的方案,将所接收的复杂制造任务映射得到的多个子服务中的每个子服务作为一个信息粒,将所得到的多个信息粒进行整合,得到对应的多个分量粒结构,并采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配,可以即在保证数据价值的前提下,通过将数据规模变小,即信息粒化,从而将问题转化为多粒度、多层次问题,故可以提高提高云制造任务的服务分配效率,并节约计算资源。
附图说明
图1是本发明实施例的一种混合决策驱动的云制造能源管理方法的流程示意图;
图2是本发明实施例的另一种混合决策驱动的云制造能源管理方法的流程示意图;
图3是本发明实施例的一种云制造能源认知管理系统的结构示意图。
具体实施方式
本发明实施例中的技术方案通过将所接收的复杂制造任务映射得到的多个子服务中的每个子服务作为一个信息粒,将所得到的多个信息粒进行整合,得到对应的多个分量粒结构,并采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配,可以即在保证数据价值的前提下,通过将数据规模变小,即信息粒化,从而将问题转化为多粒度、多层次问题,故可以提高提高云制造任务的服务分配效率,并节约计算资源。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种混合决策驱动的云制造能源管理方法的流程示意图。参见图1,一种混合决策驱动的云制造能源管理方法,所述方法包括:
步骤S101:将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒。
步骤S102:将所得到的多个信息粒进行整合,得到对应的多个分量粒结构。
步骤S103:采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。
上述的方案,将所接收的复杂制造任务映射得到的多个子服务中的每个子服务作为一个信息粒,将所得到的多个信息粒进行整合,得到对应的多个分量粒结构,并采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配,可以即在保证数据价值的前提下,通过将数据规模变小,即信息粒化,从而将问题转化为多粒度、多层次问题,故可以提高提高云制造任务的服务分配效率,并节约计算资源。
下面将结合图2对本发明实施例中的混合决策驱动的云制造能源管理方法进行进一步详细的介绍。
图2是本发明实施例的一种混合决策驱动的云制造能源管理方法的流程示意图。参见图2,一种混合决策驱动的云制造能源管理方法,包括:
步骤S201:将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒。
在具体实施中,因复杂制造任务无法被已有服务满足,故需要首先将所述复杂制造任务分解为一系列的子任务,针对每一子任务,为其分配合适的具体服务,从而实现复杂制造任务到云制造系统中已有具体服务的映射。接着,再通过将每个子服务分别作为一个信息粒,从而将所接收的复杂制造任务对应的服务信息粒化。
步骤S202:计算信息粒之间的粒相容性数值,并将粒相容性数值相同的信息粒归入同一粒层,从而将所述多个信息粒划分为多个粒层。
在本发明一实施例中,通过统计分析方法,按照包括原料成分相似性CS,阶段邻近程度DS,功能关系影响AS等在内的子服务的标志属性分类,采用如下的公式计算信息粒之间的粒相容性数值:
其中,Cfit表示两个信息粒的粒相容性数值,k表示信息粒的标志属性的总数,Xi表示两个信息粒的第i个标志属性的方差。
在计算得到多个信息粒中每两个信息粒之间的粒相容性数值时,通过将粒相容性数值相同的信息粒归入同一粒层,从而将所述多个信息粒划分为多个粒层。换言之,每个粒层至少包括两个信息粒。
步骤S203:计算所得到的粒层的粒层相容性数值,并将粒层相容性数值位于同一取值范围内的粒层整合为一个初始粒结构,得到对应的多个初始粒结构。
在具体实施中,当将多个信息粒通过信息粒之间的粒相容性数值划分为多个粒层时,通过粒层的相容性数值将粒层进行整合得到对应的多个初始粒结构。
在具体实施中,所述通过粒层的相容性数值将粒层进行整合得到对应的多个初始粒结构,是指通过计算得到粒层的相容性数值将相容性最大的两个粒层的信息粒整合为一个初始粒结构,剩余的其他粒层的信息粒分别作为对应的第一个初始粒结构,从而得到所述多个初始粒结构。
在本发明一实施例中,采用如下的公式计算粒层的粒层相容性数值:
其中,Cfit′表示两个粒层的粒层相容性数值,k表示信息粒的标志属性的总数,Yi表示信息粒层中所有信息粒的第i个标志属性的方差。
步骤S204:计算所得到的初始粒结构的粒相容性数值,并将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构,并将剩余的其他初始粒结构分别作为一个分量粒结构,得到对应的多个分量粒结构。
在具体实施中,当通过计算粒层的粒层相容性数值,将粒层整合为对应的初始粒结构时,通过计算初始粒结构的粒相容性数值,并将粒相容性数值最大的两个初始粒结构进一步整合为一个分量粒结构。在本发明一实施例中,可以采用公式(2)计算初始粒结构的粒相容性数值。
在本发明一实施例中,采用如下的公式将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构:
f:MSi×MSj→MSk(k=1,2,3,…,N) (4)
且满足如下的运算规则:
f(MSi,MSj)=(f1(LAi,LAj),f2(LRi,LRj)) (5)
MSi=(LAi,LRi)(i=1,2,3,…,k) (6)
MSj=(LAj,LRj)(j=1,2,3,…,k,且i≠j) (7)
LA={L1,L2,L3,…,Lm} (8)
LR={α|α(Lj,Lk)} (9)
其中,MSi、MSj分别表示粒相容性数值最小的两个初始粒结构,MSk表示将粒相容性数值最小的两个初始粒结构MSi、MSj整合得到的分量粒结构,LAi表示在初始粒结构MSi中粒层L的集合,LRi表示表示在初始粒结构MSi中粒层间的转换关系集,Li是粒结构中的一个粒层,LA表示粒层的集合,LR表示某两个粒层Lj与Lk的信息粒之间的转换关系集,f1、f2分别表示分别二元映射函数关系,α表示同粒层或跨粒层的信息粒之间的偏序关系。
步骤S205:采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。
在具体实施中,当得到对应的多个分量粒结构时,通过为所得到的多个分量粒结构分别分配对应的服务,从而完成对所述复杂制造任务指令进行服务分配。
在具体实施中,所述方法还可以包括:
步骤S206:当所述复杂制造任务所使用的制造资源发生变化时,对所述分量粒结构进行更新。
在具体实施中,所述复杂制造任务所使用的制造资源发生变化,也即所述复杂制造任务的子任务实际使用制造资源的数据源D的增量更新结果(例如设备更新带来的材料耗费减少,新工艺对材料的改变等、),可以对对应的全局粒结构的分量粒结构进行更新。
其中,对所得到的多个分量粒结构进行更新,为根据子服务的合并,删除和更新映射到粒结构的合并、分解和删除。
在本发明一实施例中,通过如下的方式对多个分量粒结构进行分解、合并和删除。其中,分量粒结构的合并采用加权算法进行;分量粒结构的删除,则采用定期删除和即时机制,即默认每30min检查是否有已完成的子服务,有则删除,避免全部检查计算量过大卡死,采用随机抽取每100个子服务检查,当即时请求删除特定子服务时,调出标记子服务删除;分量粒结构的更新,采用设置缓存过期时间的方式进行,若过期则重新读取数据库,更新缓存,确保网络缓存信息和数据库的一致性。
上述对本发明实施例中的方法进行详细的描述,下面将对上述的方法对应的装置进行介绍。
图3示出了本发明实施例中的一种云制造能源认知管理系统的结构示意图。参见图3,一种云制造能源认知管理系统30可以包括映射单元301、整合单元302和配置单元303,其中:
所述映射单元301,适于将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒。
所述整合单元302,适于将所得到的多个信息粒进行整合,得到对应的多个分量粒结构。
所述配置单元303,适于采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。
在具体实施中,所述整合单元302,适于计算信息粒之间的粒相容性数值;将粒相容性数值相同的信息粒归入同一粒层,从而将所述多个信息粒划分为多个粒层;计算所得到的粒层的粒层相容性数值;将粒层相容性数值位于同一取值范围内的粒层整合为一个初始粒结构,得到对应的多个初始粒结构;计算所得到的初始粒结构的粒相容性数值,并将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构,并将剩余的其他初始粒结构分别作为一个分量粒结构,得到对应的多个分量粒结构。
在本发明一实施例中,所述整合单元302,适于采用如下的公式计算信息粒之间的粒相容性数值:
其中,Cfit表示两个信息粒的粒相容性数值,k表示信息粒的标志属性的总数,Xi表示两个信息粒的第i个标志属性的方差。
在本发明一实施例中,所述整合单元302,适于采用如下的公式计算粒层的粒层相容性数值:
其中,Cfit′表示粒层的粒层相容性数值,k表示信息粒的标志属性的总数,Yi表示信息粒层中所有信息粒的第i个标志属性的方差。
在本发明一实施例中,所述整合单元302,适于采用如下的公式将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构:
f:MSi×MSj→MSk(k=1,2,3,…,N),且满足如下的运算规则:
f(MSi,MSj)=(f1(LAi,LAj),f2(LRi,LRj));
MSi=(LAi,LRi)(i=1,2,3,…,k);
MSj=(LAj,LRj)(j=1,2,3,…,k,且i≠j);
LA={L1,L2,L3,…,Lm}.
LR={α|α(Lj,Lk)}.
其中,MSi、MSj分别表示粒相容性数值最小的两个初始粒结构,MSk表示将粒相容性数值最小的两个初始粒结构MSi、MSj整合得到的分量粒结构,LAi表示在初始粒结构MSi中粒层L的集合,LRi表示表示在初始粒结构MSi中粒层间的转换关系集,Li是粒结构中的一个粒层,LA表示粒层的集合,LR表示某两个粒层Lj与Lk的信息粒之间的转换关系集,f1、f2分别表示分别二元映射函数关系,α表示同粒层或跨粒层的信息粒之间的偏序关系。
在具体实施中,所述系统30还可以包括更新单元305,其中:
所述更新单元305,适于当所述复杂制造任务所使用的制造资源发生变化时,对所述分量粒结构进行更新。
在具体实施中,所述更新单元305,适于对所得到的多个分量粒结构进行分解、合并和删除。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的混合决策驱动的云制造能源管理方法的步骤。其中,所述的混合决策驱动的云制造能源管理方法请参见前述部分的详细阐述,不再赘述。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的混合决策驱动的云制造能源管理方法的步骤。其中,所述的混合决策驱动的云制造能源管理方法请参见前述部分的详细阐述,不再赘述。
采用本发明实施例中的上述方案,将所接收的复杂制造任务映射得到的多个子服务中,每个子服务作为一个信息粒,将所得到的多个信息粒进行整合,得到对应的多个分量粒结构,并采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配,可以即在保证数据价值的前提下,通过将数据规模变小,即信息粒化,从而将问题转化为多粒度、多层次问题,故可以提高提高云制造任务的服务分配效率,并节约计算资源。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种云制造能源认知管理系统,其特征在于,包括:
映射单元,适于将所接收的复杂制造任务映射为对应的多个子服务,并将每个子服务作为一个信息粒,得到对应的多个信息粒;
整合单元,适于将所得到的多个信息粒进行整合,得到对应的多个分量粒结构;
配置单元,适于采用所得到的多个分量粒结构,对所述复杂制造任务指令进行服务分配。
2.根据权利要求1所述的云制造能源认知管理系统,其特征在于,所述整合单元,适于计算信息粒之间的粒相容性数值;将粒相容性数值相同的信息粒归入同一粒层,从而将所述多个信息粒划分为多个粒层;计算所得到的粒层的粒层相容性数值;将粒层相容性数值位于同一取值范围内的粒层整合为一个初始粒结构,得到对应的多个初始粒结构;计算所得到的初始粒结构的粒相容性数值,并将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构,并将剩余的其他初始粒结构分别作为一个分量粒结构,得到对应的多个分量粒结构。
3.根据权利要求2所述的云制造能源认知管理系统,其特征在于,所述整合单元,适于采用如下的公式计算信息粒之间的粒相容性数值:
其中,Cfit表示两个信息粒的粒相容性数值,k表示信息粒的标志属性的总数,Xi表示两个信息粒的第i个标志属性的方差。
4.根据权利要求2所述的云制造能源认知管理系统,其特征在于,所述整合单元,适于采用如下的公式计算粒层的粒层相容性数值:
其中,Cfit′表示粒层的粒层相容性数值,k表示信息粒的标志属性的总数,Yi表示信息粒层中所有信息粒的第i个标志属性的方差。
5.根据权利要求2所述的云制造能源认知管理系统,其特征在于,所述整合单元,适于采用如下的公式将粒相容性数值最小的两个初始粒结构整合为一个分量粒结构:
f:MSi×MSj→MSk(k=1,2,3,…,N),且满足如下的运算规则:
f(MSi,MSj)=(f1(LAi,LAj),f2(LRi,LRj));
MSi=(LAi,LRi)(i=1,2,3,…,k);
MSj=(LAj,LRj)(j=1,2,3,…,k,且i≠j);
LA={L1,L2,L3,…,Lm};
LR={α|α(Lj,Lk)}.
其中,MSi、MSj分别表示粒相容性数值最小的两个初始粒结构,MSk表示将粒相容性数值最小的两个初始粒结构MSi、MSj整合得到的分量粒结构,LAi表示在初始粒结构MSi中粒层L的集合,LRi表示表示在初始粒结构MSi中粒层间的转换关系集,Li是粒结构中的一个粒层,LA表示粒层的集合,LR表示某两个粒层Lj与Lk的信息粒之间的转换关系集,f1、f2分别表示分别二元映射函数关系,α表示同粒层或跨粒层的信息粒之间的偏序关系。
6.根据权利要求1-5任一项所述的云制造能源认知管理系统,其特征在于,还包括:
更新单元,适于当所述复杂制造任务所使用的制造资源发生变化时,对所述分量粒结构进行更新。
7.根据权利要求6所述的云制造能源认知管理系统,其特征在于,所述更新单元,适于对所得到的多个分量粒结构进行分解、合并和删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750079.8A CN109086974B (zh) | 2018-07-09 | 2018-07-09 | 云制造能源认知管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750079.8A CN109086974B (zh) | 2018-07-09 | 2018-07-09 | 云制造能源认知管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086974A true CN109086974A (zh) | 2018-12-25 |
CN109086974B CN109086974B (zh) | 2022-10-04 |
Family
ID=64837421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810750079.8A Active CN109086974B (zh) | 2018-07-09 | 2018-07-09 | 云制造能源认知管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086974B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012977A1 (en) * | 2011-12-05 | 2015-01-08 | Intellectual Discovery Co., Ltd. | Method and apparatus for security in cloud computing service |
CN104615671A (zh) * | 2015-01-16 | 2015-05-13 | 北京仿真中心 | 基于本体的制造能力多粒度描述框架及方法 |
CN105635283A (zh) * | 2015-12-30 | 2016-06-01 | 南京邮电大学 | 一种云制造服务的组织管理和使用方法和系统 |
-
2018
- 2018-07-09 CN CN201810750079.8A patent/CN109086974B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012977A1 (en) * | 2011-12-05 | 2015-01-08 | Intellectual Discovery Co., Ltd. | Method and apparatus for security in cloud computing service |
CN104615671A (zh) * | 2015-01-16 | 2015-05-13 | 北京仿真中心 | 基于本体的制造能力多粒度描述框架及方法 |
CN105635283A (zh) * | 2015-12-30 | 2016-06-01 | 南京邮电大学 | 一种云制造服务的组织管理和使用方法和系统 |
Non-Patent Citations (1)
Title |
---|
许斌等: "云制造服务组合的研究", 《南京邮电大学学报( 自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086974B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
JP6376865B2 (ja) | 並列ツリー・ベースの予測のための、コンピュータにより実行される方法、ストレージ媒体、およびコンピュータ・システム | |
Dao et al. | A declarative framework for constrained clustering | |
CN107480694B (zh) | 基于Spark平台采用两次评价的加权选择集成三支聚类方法 | |
Liu et al. | An energy aware unified ant colony system for dynamic virtual machine placement in cloud computing | |
CN113515672A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
Wu et al. | A path relinking enhanced estimation of distribution algorithm for direct acyclic graph task scheduling problem | |
Gao et al. | A multi-objective service composition method considering the interests of tri-stakeholders in cloud manufacturing based on an enhanced jellyfish search optimizer | |
US20110231336A1 (en) | Forecasting product/service realization profiles | |
CN107239853B (zh) | 一种基于云计算的智慧管家系统及其工作方法 | |
Ngufor et al. | Multi-task learning with selective cross-task transfer for predicting bleeding and other important patient outcomes | |
CN109086974A (zh) | 云制造能源认知管理系统 | |
CN109062674A (zh) | 混合决策驱动的云制造能源管理方法、存储介质和终端 | |
Ni et al. | An ant colony optimization for the composite SaaS placement problem in the cloud | |
Banjar et al. | Intelligent Scheduling Algorithms for the Enhancement of Drone Based Innovative Logistic Supply Chain Systems | |
Cantini et al. | Exploiting machine learning for improving in-memory execution of data-intensive workflows on parallel machines | |
Liu et al. | Dual‐stage time series analysis on multifeature adaptive frequency domain modeling | |
CN117194966A (zh) | 对象分类模型的训练方法和相关装置 | |
CN110443560B (zh) | 一种协议数据管理方法、装置、计算机设备及存储介质 | |
Aigner et al. | A Framework for Data-Driven Explainability in Mathematical Optimization | |
CN111027709B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN110609862A (zh) | 电网资产设备的账卡物一致管理方法、系统以及存储介质 | |
CN117689451B (zh) | 一种基于Flink的流式向量搜索方法及装置、系统 | |
Tajgardan et al. | Critical Review of the Bunch: A Well-Known Tool for the Recovery and Maintenance of Software System Structures |
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 |