CN109765870A - 一种云制造环境下机床装备资源单一动态服务网络组合优选方法 - Google Patents

Abstract

本发明公开一种云制造环境下机床装备资源单一动态服务网络组合优选方法，所属领域为智能制造技术领域。该方法的特征在于建立了一种单一动态服务网络组合优选模型，采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源单一动态服务网络组合优选问题。本发明旨在解决云制造环境下多机床装备资源协同完成一个云服务任务的组合优选难题，为机床装备资源单一动态服务网络组合优选提供一种比较切实可行的优选解决方案。

Description

一种云制造环境下机床装备资源单一动态服务网络组合优选 方法

技术领域

本发明涉及一种云制造环境下机床装备资源单一动态服务网络组合优选方法，属于智能制造技术领域。

技术背景

机床装备量大面广，是离散制造企业生产运行的核心资源。当前，全球制造业正发生着制造模式、制造流程、制造手段与制造生态系统等的重大变革，云制造已成为广大制造企业实施服务化、智能化转型战略的重要手段和趋势之一。将云制造服务模式深入到广大离散制造企业的车间层，实现闲置机床装备资源的共享和协同，支持机床装备网络化集成运行、加工参数在线优化、生产设备远程运维等生产加工云服务的开展，对我国广大离散制造企业转型和发展具有重要的战略意义。然而，云制造环境下单一生产过程云服务任务的完成，常常需要多个机床装备资源协同完成，如何根据生产过程云服务任务要求，快速寻找匹配的机床装备资源组建单一动态服务网络协同完成生产过程云服务任务，是将云制造服务模式深入到广大离散制造企业车间层核心问题之一。本发明结合云制造环境下机床装备资源地域分散、组合性和动态性等特点，建立了一种单一动态服务网络组合优选模型，采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源单一动态服务网络组合优选问题。

发明内容

本发明的目的是通过发明一种云制造环境下机床装备资源单一动态服务网络组合优选方法，实现云制造环境下多机床装备资源协同完成一个云服务任务的单一动态服务网络组合优选。本发明旨在解决云制造环境下机床装备资源单一动态服务网络组合优选问题难题，提供优选解决方案。

本发明的技术方案如下：本发明首先建立了一种单一动态服务网络组合优选模型，然后采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源单一动态服务网络组合优选问题。

(1)云制造环境下机床装备资源单一动态服务网络组合优选模型

机床装备资源单一动态服务网络的形成，是针对分解后的云制造子任务进行候选机床装备资源选取，形成机床装备资源组合，以满足云制造任务的服务质量需求满足最大化，同时由于云制造资源的广域性及分散性，还需考虑到多个资源之间的转移成本。因此采用一个四元组合U来表征单一动态服务网络，即U＝{T,M,R,O,D}，其中T＝{T_x,1,T_x,2,…,T_x,n}表示构成某云制造服务任务的子任务集合；M＝MCSO_sel＝{MCS_1,j,MCS_2,j,…,MCS_n,j}针对云制造服务选择的机床装备资源集合；R表示各子任务机床装备资源的协作关系集合；O表示云制造任务的服务质量需求的满足度集合；D表示机床装备资源转移的成本。

由于云制造环境下机床装备资源服务任务的复杂性，导致其组合服务路径错综复杂。服务资源组合主要包括顺序、并行、选择、循环四种模式，其中顺序模式属于串联组合资源服务(Sequence Composite Resource Service，SCRS)，由各子任务选取机床装备资源按照顺序组成串行链表结构执行任务，并行、选择、循环属于混合组合资源服务(MixedComposite Resource Service，MCRS)，由各子任务选取机床装备资源组成混合链表结构执行任务。各云服务组合方式下服务质量需求满足度O的计算公式如表1、2、3、4所示。

其中

表1顺序模式下服务质量需求满足度计算公式

表2并行模式下服务质量需求满足度计算公式

表3选择模式下服务质量需求满足度计算公式

注：其中p_i为候选服务资源集MCSS_f中服务资源MCSS_f,j被选中的概率，且

表4循环模式下服务质量需求满足度计算公式

注：k为候选服务资源集中服务资源循环使用次数。

定义SDN组合的总体服务质量需求满足度函数为O(MCSO_sel)，则：

O(MCSO_sel)＝w_T*T(MCSO_sel)+w_Q*Q(MCSO_sel)+w_C*C(MCSO_sel)+w_P*P(MCSO_sel)+w_R*R(MCSO_sel)+w_S*S(MCSO_sel)+w_F*F(MCSO_sel)

且w_T+w_Q+w_C+w_P+w_R+w_S+w_F＝1

(2)云制造环境下机床装备资源单一动态服务网络组合优选算法

针对云制造环境下机床装备SDN组合特点，采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源SDN组合优选问题。

①状态转移概率

基本蚁群算法中，蚂蚁通过正反馈机制以一定的概率选择信息素较多的服务。设云制造任务分解形成子任务个数为n，蚂蚁总数量Ant_count为蚂蚁的数量，第只蚂蚁在t时刻由子任务T_x,f中第i个候选机床装备MCS_f,i转移到子任务T_x,(f+1)中第j个候选机床装备MCS_(f+1),j概率为则：

式中各符号的含义：

allowed_k——可行点集，表示蚂蚁k下一步可以选择转移的路径表；

α——信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息，其值越大表示蚂蚁之间协作性越强，则该蚂蚁越倾向于选择其他蚂蚁经过的路径；

β——期望启发式因子，表示能见度的相对重要性，反映了启发信息对蚂蚁选择路径的受重视程度，其值越大表示该状态转移概率越接近贪心原则；

τ_ij(t)——表示在t时刻，从候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j的信息素浓度；

η_ij(t)——启发函数，定义η_ij(t)＝1/D_ij，D_ij为云制造环境下从子任务T_x,f中第i个候选机床装备MCS_f,i转移到子任务T_x,(f+1)中第j个候选机床装备MCS_(f+1),j的转移成本。

②信息素更新规则

每次搜索结束后，对每只蚂蚁的信息素按照式(2)、(3)、(4)进行更新：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (2)

式中各符号的含义：

Δτ_ij(t)——表示本轮循环中从候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j的信息素增量；

——表示蚂蚁k本轮循环留在路径ij(即候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j)的信息素；

ρ——信息挥发率，反应整个蚁群系统的进化状态；

Q——表示蚂蚁搜索一轮所释放信息素的总量，Q为一常数，可事先设定；

L_k——表示蚂蚁k本轮查寻所走过路径的转移成本总和。

③蚁群算法改进策略

策略1完成一次遍历后，只有最优的蚂蚁(任务执行路径上服务质量需求满足度O最大)可以进行信息素更新。

策略2考虑到信息挥发率ρ的大小直接关系到蚁群算法的全局搜索能力及收敛速度，ρ过大会影响算法的随机性能和全局搜索能力，减小ρ也会降低收敛速度。本文引入简单有效的自适应策略来调整ρ。并设定信息素量的最大最小值，使路径上的信息量控制在[τ_min,τ_max]

策略3加入最优路径列表L，记录信息度浓度最大的前l条的SDN组合路径，并计算各SDN路径的转移成本。每轮蚂蚁寻优结束后，对比更新列表L中的数据。

基于改进策略，对式(2)、(4)进行改进，同时增加ρ调整公式：

式中，L_best表示本次循环中服务质量需求满足度最大的最优路径的转移成本之和，δ为挥发因子调节系数，且δ∈(0,1)。

④算法步骤

以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，并采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，采用改进后的蚁群算法求解云制造环境下机床装备资源SDN组合优选问题的步骤。

步骤1设定最大迭代循环次数蚂蚁个数m，最优服务列表L，初始化时间片t＝0，循环控制变量N_cyc＝0，蚂蚁循环变量k＝0，最优服务路径表

步骤2迭代循环变量N_cyc＝N_cyc+1，如果转步骤7退出循环，否则转步骤3。

步骤3蚂蚁循环变量k＝k+1，如果k＞m，转步骤2退出k循环，否则转步骤4。

步骤4随机选择与该蚂蚁节点相连的所有路径，根据式(1)计算状态转移概率，并选择下一节点。若新选中的节点为最后一个子任务，则此蚂蚁循环结束，转步骤5，否则转步骤3。

步骤5计算并记录当前蚂蚁所经组合路径信息素总和、组合路径转移成本总和，如果此轮所有蚂蚁寻优结束，则转步骤6，否则转3。

步骤6比较本轮循环中每只蚂蚁组合路径的信息素，按照信息素大小依次排序，按照式(5)、(6)、(7)对最优蚂蚁进行信息素更新，选取排名前l条组合路径与最优服务路径表L进行比较，若有性能更优(信息素更大)的组合路径则修改列表L信息，并记录相应组合路径的转移成本，转步骤2。

步骤7进行列表L中每条SDN组合路径对云制造任务服务质量需求的最大满足度O(MCSO_sel)及转移成本总和D(MCSO_sel)，经归一化处理后计算综合值R(MCSO_sel)＝w_O*O(MCSO_sel)+w_D*D(MCSO_sel)，其中w_O+w_D＝1，最后输出(按综合值大小排序)的SDN组合列表。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了云制造环境下机床装备资源SDN组合优选模型图

图2示出了改进蚁群算法求解步骤图

具体实施方式

以下将参照附图，对本发明的具体实施方式进行详细的说明。

参见附图1，是云制造环境下机床装备资源SDN组合优选模型，主要由任务分解、匹配形成候选资源集、服务组合、基于改进的蚁群算法的SDN组合优选、最优SDN组合五部分组成。具体如下：

①任务分解：由于单个机床装备资源难以满足生产过程云服务任务需求，常常需要多个机床装备资源按照特定的逻辑关系共同协作完成。因此，需要将云制造服务平台上注册发布的云服务需求任务，按照业务逻辑和工艺流程分解为若干可以被单个机床装备资源完成的子任务节点。用T_x表示云服务平台上某生产过程云任务，将其分解为n个子任务节点T_x,f，则T_x＝{T_x,1,T_x,2,…,T_x,n}。

②匹配形成候选资源集：每个分解后的子任务节点在云服务平台中都具有对应的服务质量需求模型。针对每一个云制造任务节点T_x,f，平台将经过基本信息、参数信息等自动动搜索形成一个机床装备资源集合MCSS_f，该集合由l_f个符合任务节点T_x,f基本要求的机床装备资源组成每个机床装备资源都具有服务能力表征。

③服务组合：针对每个子任务节点选取机床装备资源，按照顺序、并行、选择以及循环等业务流程协同形成组合服务，以最大化满足服务质量需求。

④基于改进的蚁群算法的SDN组合优选：针对云制造环境下机床装备SDN组合特点，采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源SDN组合优选问题。

⑤最优SDN组合：经过改进的蚁群算法的SDN组合优选之后形成的最优组合。

参见附图2，改进蚁群算法求解步骤。主要包括如下7个步骤：

步骤1设定最大迭代循环次数蚂蚁个数m，最优服务列表L，初始化时间片t＝0，循环控制变量N_cyc＝0，蚂蚁循环变量k＝0，最优服务路径表

步骤2迭代循环变量N_cyc＝N_cyc+1，如果转步骤7退出循环，否则转步骤3。

步骤3蚂蚁循环变量k＝k+1，如果k＞m，转步骤2退出k循环，否则转步骤4。

步骤4随机选择与该蚂蚁节点相连的所有路径，计算状态转移概率，并选择下一节点。若新选中的节点为最后一个子任务，则此蚂蚁循环结束，转步骤5，否则转步骤3。

步骤5计算并记录当前蚂蚁所经组合路径信息素总和、组合路径转移成本总和，如果此轮所有蚂蚁寻优结束，则转步骤6，否则转3。

步骤6比较本轮循环中每只蚂蚁组合路径的信息素，按照信息素大小依次排序，对最优蚂蚁进行信息素更新，选取排名前l条组合路径与最优服务路径表L进行比较，若有性能更优(信息素更大)的组合路径则修改列表L信息，并记录相应组合路径的转移成本，转步骤2。

步骤7对云制造任务服务质量需求的最大满足度O(MCSO_sel)及转移成本总和D(MCSO_sel)，经归一化处理后计算综合值R(MCSO_sel)＝w_O*O(MCSO_sel)+w_D*D(MCSO_sel)，其中w_O+w_D＝1，最后输出(按综合值大小排序)的SDN组合列表。

Claims (4)

1.一种云制造环境下机床装备资源单一动态服务网络组合优选方法，其特征在于：针对云制造环境下多机床装备资源协同完成一个云服务任务的情况，结合云制造环境下机床装备资源地域分散、组合性和动态性等特点，建立了一种单一动态服务网络组合优选模型，采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，并以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，采用改进后的蚁群算法求解云制造环境下机床装备资源单一动态服务网络组合优选问题。

2.如权利1所述的单一动态服务网络，即每个生产过程云服务任务，将参与协作的机床装备服务能力作为节点、机床装备服务能力之间的业务协作关系作为边形成相对独立的动态网络，称为单一动态服务网络(Single Dynamic Network,SDN)。

3.如权利1所述的单一动态服务网络组合优选模型，包括任务分解、匹配形成候选资源集、服务组合、基于改进蚁群算法的单一动态服务网络组合优选、最优单一动态服务网络。

4.如权利1所述的改进后的蚁群算法求解云制造环境下机床装备资源单一动态服务网络组合优选问题，其特征在于包括如下数学描述：

①状态转移概率

基本蚁群算法中，蚂蚁通过正反馈机制以一定的概率选择信息素较多的服务。设云制造任务分解形成子任务个数为n，蚂蚁总数量Ant_count为蚂蚁的数量，第只蚂蚁在t时刻由子任务T_x,f中第i个候选机床装备MCS_f,i转移到子任务T_x,(f+1)中第j个候选机床装备MCS_(f+1),j概率为则：

式中各符号的含义：

allowed_k——可行点集，表示蚂蚁k下一步可以选择转移的路径表；

α——信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息，其值越大表示蚂蚁之间协作性越强，则该蚂蚁越倾向于选择其他蚂蚁经过的路径；

β——期望启发式因子，表示能见度的相对重要性，反映了启发信息对蚂蚁选择路径的受重视程度，其值越大表示该状态转移概率越接近贪心原则；

τ_ij(t)——表示在t时刻，从候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j的信息素浓度；

η_ij(t)——启发函数，定义η_ij(t)＝1/D_ij，D_ij为云制造环境下从子任务T_x,f中第i个候选机床装备MCS_f,i转移到子任务T_x,(f+1)中第j个候选机床装备MCS_(f+1),j的转移成本。

②信息素更新规则

每次搜索结束后，对每只蚂蚁的信息素按照式(2)、(3)、(4)进行更新：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (2)

式中各符号的含义：

Δτ_ij(t)——表示本轮循环中从候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j的信息素增量；

——表示蚂蚁k本轮循环留在路径ij(即候选机床装备MCS_f,i到候选机床装备MCS_(f+1),j)的信息素；

ρ——信息挥发率，反应整个蚁群系统的进化状态；

Q——表示蚂蚁搜索一轮所释放信息素的总量，Q为一常数，可事先设定；

L_k——表示蚂蚁k本轮查寻所走过路径的转移成本总和。

③蚁群算法改进策略

策略1完成一次遍历后，只有最优的蚂蚁(任务执行路径上服务质量需求满足度O最大)可以进行信息素更新。

策略2考虑到信息挥发率ρ的大小直接关系到蚁群算法的全局搜索能力及收敛速度，ρ过大会影响算法的随机性能和全局搜索能力，减小ρ也会降低收敛速度。本文引入简单有效的自适应策略来调整ρ。并设定信息素量的最大最小值，使路径上的信息量控制在[τ_min,τ_max]

策略3加入最优路径列表L，记录信息度浓度最大的前l条的SDN组合路径，并计算各SDN路径的转移成本。每轮蚂蚁寻优结束后，对比更新列表L中的数据。

基于改进策略，对式(2)、(4)进行改进，同时增加ρ调整公式：

式中，L_best表示本次循环中服务质量需求满足度最大的最优路径的转移成本之和，δ为挥发因子调节系数，且δ∈(0,1)。

④算法步骤

以服务质量需求满足度为信息素，以服务间转移成本作为启发函数参数，并采用最优路径列表和信息素挥发因子自适应调整机制改进蚁群算法，采用改进后的蚁群算法求解云制造环境下机床装备资源SDN组合优选问题的步骤。

步骤1设定最大迭代循环次数蚂蚁个数m，最优服务列表L，初始化时间片t＝0，循环控制变量N_cyc＝0，蚂蚁循环变量k＝0，最优服务路径表

步骤2迭代循环变量N_cyc＝N_cyc+1，如果转步骤7退出循环，否则转步骤3。

步骤3蚂蚁循环变量k＝k+1，如果k＞m，转步骤2退出k循环，否则转步骤4。

步骤4随机选择与该蚂蚁节点相连的所有路径，根据式(1)计算状态转移概率，并选择下一节点。若新选中的节点为最后一个子任务，则此蚂蚁循环结束，转步骤5，否则转步骤3。

步骤5计算并记录当前蚂蚁所经组合路径信息素总和、组合路径转移成本总和，如果此轮所有蚂蚁寻优结束，则转步骤6，否则转3。

步骤6比较本轮循环中每只蚂蚁组合路径的信息素，按照信息素大小依次排序，按照式(5)、(6)、(7)对最优蚂蚁进行信息素更新，选取排名前l条组合路径与最优服务路径表L进行比较，若有性能更优(信息素更大)的组合路径则修改列表L信息，并记录相应组合路径的转移成本，转步骤2。

步骤7进行列表L中每条SDN组合路径对云制造任务服务质量需求的最大满足度O(MCSO_sel)及转移成本总和D(MCSO_sel)，经归一化处理后计算综合值R(MCSO_sel)＝w_O*O(MCSO_sel)+w_D*D(MCSO_sel)，其中w_O+w_D＝1，最后输出(按综合值大小排序)的SDN组合列表。