CN110059942A - 一种基于模糊多目标优化的云制造资源服务优化调度方法 - Google Patents
一种基于模糊多目标优化的云制造资源服务优化调度方法 Download PDFInfo
- Publication number
- CN110059942A CN110059942A CN201910260084.5A CN201910260084A CN110059942A CN 110059942 A CN110059942 A CN 110059942A CN 201910260084 A CN201910260084 A CN 201910260084A CN 110059942 A CN110059942 A CN 110059942A
- Authority
- CN
- China
- Prior art keywords
- service
- task
- scheduling
- fuzzy
- resource
- 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
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于模糊多目标优化的云制造资源服务优化调度方法,步骤1,服务需求方提出项目需求;步骤2,项目任务分解;步骤3,候选资源确定;步骤4,云资源调度;步骤5,基于调度结果的服务选择:根据生产的调度方案选择相应的服务,并执行;步骤6,用户评价:服务需求方在任务的解决方案执行后,对方案进行评价;步骤7,调度信息存入数据库:将本次调度信息和用户信息存入数据库,供下次使用;在多目标优化过程中加入模糊化机制对服务可靠性评估进行模糊化处理,使得整个调度过程更快寻找到最优调度组合方案,解决了传统制造调度过程中因资源获取面窄,资源不透明而无法给服务需求人员提供足够好服务支持的技术问题。
Description
技术领域
本发明涉及一种制造行业各类资源的优化配置和运用的方法,具体的说是一种云制造资源服务优化调度方法,属于互联网与制造业技术领域。
背景技术
云制造(Cloud Manufacturing,CMF)是一种互联网与制造业深度融合的新模式,它是综合利用云计算、物联网、现代信息制造等技术将各类制造资源和制造能力虚拟化、服务化,并采用智能化的方法和手段进行管理和运营,实现制造行业中各类资源的优化配置和运用。服务提供者将资源封装处理发布到云平台,云平台解析服务请求者的需求以提供个性化服务。与传统的制造模式相比,云制造能够降低地域对生产的约束,最大程度提高制造资源利用率,提升响应市场速度,从根本上改变当前生产模式。
模糊多目标优化(Fuzzy Multi-Objecttive Optimization,FMOO)是一种基于模糊理论的多目标评价模型。为增强模型的描述能力,达到云制造提供个性化服务的目的,避免因为人为主观判断的局限性以及对事物认识的不充分导致难以给出确切的决策信息。采用实数,区间数和描述性数据对制造服务进行表述,形成异构数据描述的模糊多目标评价模型。
目前现有云制造资源服务调度技术方案缺少用户因为知识局限性导致服务质量评估不准确方面的考虑,也缺少对跨地域制造资源调度以及制造任务产品零部件之间工序方面约束的考虑。所以,本专利提出的一种既能准确量化用户评价信息,又能基于合理的制造任务执行流程最小化调度成本的云制造资源服务调度技术方案对于制造业发展具有重要意义。
发明内容
本发明所要解决的技术问题是,现有云制造资源服务调度技术方案缺少用户因为知识局限性导致服务质量评估不准确方面的考虑,也缺少对跨地域制造资源调度以及制造任务产品零部件之间工序方面约束的考虑,为了克服现有技术的不足而提供一种基于模糊多目标优化的云制造资源服务优化调度方法。
本发明提供一种一种基于模糊多目标优化的云制造资源服务优化调度方法,包括以下步骤:
步骤1,服务需求方提出项目需求;
步骤2,项目任务分解;
步骤3,候选资源确定;
步骤4,云资源调度;
步骤5,基于调度结果的服务选择:根据生产的调度方案选择相应的服务,并执行;
步骤6,用户评价:服务需求方在任务的解决方案执行后,对方案进行评价;
步骤7,调度信息存入数据库:将本次调度信息和用户信息存入数据库,供下次使用。
作为本发明的进一步技术方案,所述步骤1具体包括如下内容:用户根据自己的实际需要提出项目任务制造需求和项目信息,上传到云制造管理平台;项目任务由多个阶段组成,每个阶段又有多个子任务,每个子任务占用一个或者多个资源服务,一个资源服务可能服务于多个子任务,由此形成了复杂的产品结构。
作为本发明的进一步技术方案,所述步骤2具体包括如下内容:对复杂产品的制造过程进行分析,基于产品结构、生命周期流程以及生产的工艺过程进行任务分解、建模,形成项目任务云池;产品的零部件之间存在复杂的约束关系,任务和服务之间可能存在多对多的映射关系。
作为本发明的进一步技术方案,所述步骤3具体包括如下内容:制造服务提供者将制造资源与制造能力提供给云制造平台,然后云制造平台将其虚拟化封装成制造服务,形成虚拟资源池,候选资源确定由两个子流程组成即将项目分解形成的子任务进行搜索与匹配进而形成候选资源。
作为本发明的进一步技术方案,所述步骤4包括如下内容:
步骤4.1,建立多属性服务评估模型;
步骤4.2,去模糊化可靠性评估;
步骤4.3,建立约束约束条件;
步骤4.4,标准化量纲加权处理。
作为本发明的进一步技术方案,所述步骤4.1包括以下具体内容:
将整个项目分为n个任务,每个任务又有Ni个子任务,每个子任务对应一定数量的候选资源服务,针对包含服务需求方、服务提供方、云制造管理平台,以时间(T)最小、成本(C)最低、质量(Q)最高、可靠性(R)最高为目标的目标函数F=(T,C,Q,R)T,考虑制造子任务时序约束、制造任务的关系约束、服务独占性原则、子任务原子性约束建立如下多目标云制造资源调度模型:
时间(T)是由物流时间Ttrans还有制造单元加工时间Tprocess组成,表示为:
qT=Tprocess+Ttrans (1)
制造时间
其中表示任务i的第w个子任务被第k个资源加工而产生的加工时间,μw是一个决策变量,当第k个资源(企业k)加工第w个子任务时μw=1,否则μw=0,物流时间
表示将产品从企业k运输到企业q的运输时间,γ是判定因子,表示看k和q之间是否存在运输流,如果是一个企业或者只是一些计算资源、软件资源就不存在运输流,那么γ=0,否则γ=1;
采用区间数的形式表述服务响应时间间隔,如下式:
qT=[min(qT(CS1),...,qT(CSn)),max(qT(CS1),...,qT(CSn))] (4)
对于没有遵守协议,超时的服务在初始筛选中就放弃,即响应时间区间数表示为在一定时间段内的n个单次服务使用的响应时间的最大值和最小值;
成本(T)主要是由原料、加工设备的损坏等组成的制造加工成本Cprocess和物流运输成本Ctrans组成,
C=Cprocess+Ctrans (5)
制造加工成本:
运输成本
质量(Q)是由产品合格率Qquality表示
作为本发明的进一步技术方案,所述步骤4.2包括如下具体步骤:
可靠性(R)是基于模糊理论通过客户反映制造资源的加工质量来计算的,数据来源于用户的反馈,设置评估等级为:坏(B)、较坏(LB)、一般(M)、较好(LG)、好(G)的三角模糊数,设置模糊量化中心值相邻上一等级与下一等级比为1∶1.3;
可靠性评估为:其中[b,m,g]中b,g分别表示模糊数的上下限,核值m为取值的最大可能,count表示评价的次数,在将用户的评估映射到一组三角模糊数之后,紧接着去模糊化处理,
其中隶属度函数
作为本发明的进一步技术方案,所述步骤4.3的具体内容如下:
任务的所有子任务的执行流程必须要满足任务的既定的工艺需求顺序,子任务一旦在资源服务CSk上开始处理就不能中断,每个资源服务CSk同一时刻只能处理一个子任务,一个子任务只能分配给一个资源服务CSk处理,任务顺序约束:具有顺序约束的任务需在其所有紧前任务完工之后才可以开始
作为本发明的进一步技术方案,所述步骤4.4的具体内容如下:
设置候选服务数据集为Q=(qij)n×m,其中qij表示第i个候选服务的第j个属性,在将语言描述性数据转换为区间数再转换为一个单值评估之后,数据集P=(Pij)n×m中仍包含实数和区间数,为了便于评估,将P=(Pij)n×m中的实数看成是上下限相同的区间数,现在利用区间数的四则运算公式将候选服务数据集转换为具有统一量纲的标准化矩阵D=(dij)n×m,如下式,
其中,||Pj||为举证P中第j个列向量的欧几里德模,且 进一步推出式(11)和式(12):
最终得到区间数矩阵, 和越大,则质量越好;
在对用户主观的评价进行客观化处理之后,同时根据用户任务需求配置多个属性的相关权重值w=(w1,w2,w3,w4)wj=1,0<wj<1,1≤j≤8,得到单个服务的适应度函数如式(13)所示:
fit(csi)=w1qc+w2qT+w3qRel+w4qQ (13)。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
提供了云制造环境下多目标模糊优化的云制造服务资源调度方法,在多目标优化过程中加入模糊化机制对服务可靠性评估进行模糊化处理,根据模糊化之后的量化结果真实准确反映出用户反馈结果,并且将实数、区间数、语言等各类数据统一量纲,进行标准化处理,各类资源服务以成本、时间、质量、可靠性为目标,充分考虑到任务及子任务间的顺序约束,构建云制造资源服务评估模型,使得整个调度过程更快寻找到最优调度组合方案,解决了传统制造调度过程中因资源获取面窄,资源不透明而无法给服务需求人员提供足够好服务支持的技术问题。
附图说明
图1为本发明的流程图。
图2本发明中项目任务分解的结构示意图。
图3为本发明中基于模糊理论的多目标属性评估流程。
图4为本发明中整个项目阶段各个任务约束关系图。
具体实施方式
下面结合附图1-4对本发明的技术方案做进一步的详细说明:
本实施例提出了一种基于模糊多目标优化的云制造资源服务优化调度方法,包括以下步骤:
步骤1,服务需求方提出项目需求:用户根据自己的实际需要提出项目任务制造需求和项目信息,上传到云制造管理平台;项目任务由多个阶段组成,每个阶段又有多个子任务,每个子任务占用一个或者多个资源服务,一个资源服务可能服务于多个子任务,由此形成了复杂的产品结构。
步骤2,项目任务分解:对复杂产品的制造过程进行分析,基于产品结构、生命周期流程以及生产的工艺过程进行任务分解、建模,形成项目任务云池;产品的零部件之间存在复杂的约束关系,任务和服务之间可能存在多对多的映射关系。
步骤3,候选资源确定:制造服务提供者将制造资源与制造能力提供给云制造平台,然后云制造平台将其虚拟化封装成制造服务,形成虚拟资源池,候选资源确定由两个子流程组成即将项目分解形成的子任务进行搜索与匹配进而形成候选资源。
步骤4,云资源调度:
步骤4.1,建立多属性服务评估模型:将整个项目分为n个任务,每个任务又有Ni个子任务,每个子任务对应一定数量的候选资源服务,针对包含服务需求方、服务提供方、云制造管理平台,以时间(T)最小、成本(C)最低、质量(Q)最高、可靠性(R)最高为目标的目标函数F=(T,C,Q,R)T,考虑制造子任务时序约束、制造任务的关系约束、服务独占性原则、子任务原子性约束建立如下多目标云制造资源调度模型:
时间(T)是由物流时间Ttrans还有制造单元加工时间Tprocess组成,表示为:
qT=Tprocess+Ttrans (1)
制造时间
其中表示任务i的第w个子任务被第k个资源加工而产生的加工时间,μw是一个决策变量,当第k个资源(企业k)加工第w个子任务时μw=1,否则μw=0,物流时间
表示将产品从企业k运输到企业q的运输时间,γ是判定因子,表示看k和q之间是否存在运输流,如果是一个企业或者只是一些计算资源、软件资源就不存在运输流,那么γ=0,否则γ=1;
采用区间数的形式表述服务响应时间间隔,如下式:
qT=[min(qT(CS1),...,qT(CSn)),max(qT(CS1),...,qT(CSn))] (4)
对于没有遵守协议,超时的服务在初始筛选中就放弃,即响应时间区间数表示为在一定时间段内的n个单次服务使用的响应时间的最大值和最小值;
成本(T)主要是由原料、加工设备的损坏等组成的制造加工成本Cprocess和物流运输成本Ctrans组成,
C=Cprocess+Ctrans (5)
制造加工成本:
运输成本
质量(Q)是由产品合格率Qquality表示
步骤4.2,去模糊化可靠性评估:可靠性(R)是基于模糊理论通过客户反映制造资源的加工质量来计算的,数据来源于用户的反馈,设置评估等级为:坏(B)、较坏(LB)、一般(M)、较好(LG)、好(G)的三角模糊数,设置模糊量化中心值相邻上一等级与下一等级比为1∶1.3;如下表1所示为模糊评价等级对照表。
表1模糊评价等级对照表
可靠性评估为:其中[b,m,g]中b,g分别表示模糊数的上下限,核值m为取值的最大可能,count表示评价的次数,在将用户的评估映射到一组三角模糊数之后,紧接着去模糊化处理,
其中隶属度函数
步骤4.3,建立约束约束条件:任务的所有于任务的执行流程必须要满足任务的既定的工艺需求顺序,子任务一旦在资源服务CSk上开始处理就不能中断,每个资源服务CSk同一时刻只能处理一个子任务,一个子任务只能分配给一个资源服务CSk处理,任务顺序约束:具有顺序约束的任务需在其所有紧前任务完工之后才可以开始。
步骤4.4,标准化量纲加权处理:设置候选服务数据集为Q=(qij)n×m,其中qij表示第i个候选服务的第j个属性,在将语言描述性数据转换为区间数再转换为一个单值评估之后,数据集P=(Pij)n×m中仍包含实数和区间数,为了便于评估,将P=(Pij)n×m中的实数看成是上下限相同的区间数,现在利用区间数的四则运算公式将候选服务数据集转换为具有统一量纲的标准化矩阵D=(dij)n×m,如下式,
其中,||Pj||为举证P中第j个列向量的欧几里德模,且 进一步推出式(11)和式(12):
最终得到区间数矩阵, 和越大,则质量越好;
在对用户主观的评价进行客观化处理之后,同时根据用户任务需求配置多个属性的相关权重值w=(w1,w2,w3,w4)wj=1,0<wj<1,1≤j≤8,得到单个服务的适应度函数如式(13)所示:
fit(csi)=w1qc+w2qT+w3qRel+w4qQ (13)。
步骤5,基于调度结果的服务选择:根据生产的调度方案选择相应的服务,并执行;
步骤6,用户评价:服务需求方在任务的解决方案执行后,对方案进行评价;
步骤7,调度信息存入数据库:将本次调度信息和用户信息存入数据库,供下次使用。
以汽车的生产项目作为示例。汽车的生产项目包括设计、制造、检测、组装交付等环节。每个环节包含相关的项目任务。每个环节包含相关的项目任务,设计阶段包含3个任务{T1,T2,T3},制造阶段包含5个任务{T4,T5,T6,T7,T8,T9},监测阶段包含4个任务{T10,T11,T12,T13},组装交付阶段包含一个任务{T14},每个任务包含一定数量的子任务,这里都设置为2个。每个子任务都需要制造资源提供制造服务,共有9个资源服务由5个企业提供。表2为服务所属企业,表3为资源调度中候选资源和执行顺序等相关数据。
表2服务所属企业
表3候选资源与任务相关数据
以时间、成本、质量、可靠性约束为目标进行调度,表4为企业间的物流时间,表5为企业间物流成本。
企业 | E1 | E2 | E3 | E4 | E5 |
E1 | O | 10 | 9 | 7 | 8 |
E2 | 10 | O | 11 | 6 | 8 |
E3 | 9 | 11 | O | 3 | 5 |
E4 | 7 | 6 | 3 | O | 12 |
E5 | 8 | 8 | 5 | 12 | 0 |
表4企业间物流时间
表5企业间物流成本
具体以设计阶段为例。应用于任务T1,有两个子任务,子任务1有三个候选资源服务对于每一个候选资源,其可靠性的评价主要是基于用户评价的次数,这里挑选出一段时间内用户对于资源1的10次服务访问作为参考,如下表6示
用户 | S1 | S2 | S3 | S4 | S5 | S6 | S7 | S8 | S9 | S10 |
评价 | LB | M | B | M | M | B | M | G | LG | M |
将用户评价转换为三角模糊数可得:将三角模糊数利用公式(9)去模糊化并结合隶属度函数(10)可得可靠性评估值
三角模糊数[0.33,0.46.0.59]精确化处理之后资源1对应的可靠度评估值为0.42。同理可得出资源3与资源5的精确化的可靠性评估值为0.53,0.21。候选服务考虑4中属性,其数据集如表7所示:
No | Cost | Time | Reliability | Quality |
1 | 33 | [0.51,0.56] | 0.42 | 0.91 |
2 | 27 | [0.22,0.78] | 0.53 | 0.91 |
3 | 32 | [0.31,0.71] | 0.21 | 0.91 |
表7模糊属性服务实例
则候选服务属性矩阵为:
针对p1可用式(12)处理可得:
d1=([0.64,0.64][0.48,0.48][0.39,0.39])T
针对p2、p3、p4可用式(11)处理可得:
d2=([0.27,0.27][0.67,0.67][0.43,0.43])T
d3=([0.31,0.46][0.28,0.70][0.33,0.81])T
d4=([0.91,0.91][0.91,0.91][0.91,0.91])T
得到统一量纲的候选服务集:
据此可选出服务属性最优的候选服务。单个云制造服务的质量评估模型:设权重wc=0.2、wT=0.3、wrel=0.2、wq=0.3。将候选服务矩阵和权重矩阵代入到组合执行路径的适应度函数(13),可得:
fit(cs1)=0.48、fit(cs2)=0.55、fit(cs3)=0.49。适应度越大越好,可得候选服务cs2为最佳制造服务,将其映射到对应的服务即为最优解。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (9)
1.一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:包括以下步骤:
步骤1,服务需求方提出项目需求;
步骤2,项目任务分解;
步骤3,候选资源确定;
步骤4,云资源调度;
步骤5,基于调度结果的服务选择:根据生产的调度方案选择相应的服务,并执行;
步骤6,用户评价:服务需求方在任务的解决方案执行后,对方案进行评价;
步骤7,调度信息存入数据库:将本次调度信息和用户信息存入数据库,供下次使用。
2.根据权利要求1所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤1具体包括如下内容:用户根据自己的实际需要提出项目任务制造需求和项目信息,上传到云制造管理平台;项目任务由多个阶段组成,每个阶段又有多个子任务,每个子任务占用一个或者多个资源服务,一个资源服务可能服务于多个子任务,由此形成了复杂的产品结构。
3.根据权利要求2所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤2具体包括如下内容:对复杂产品的制造过程进行分析,基于产品结构、生命周期流程以及生产的工艺过程进行任务分解、建模,形成项目任务云池;产品的零部件之间存在复杂的约束关系,任务和服务之间可能存在多对多的映射关系。
4.根据权利要求3所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤3具体包括如下内容:制造服务提供者将制造资源与制造能力提供给云制造平台,然后云制造平台将其虚拟化封装成制造服务,形成虚拟资源池,候选资源确定由两个子流程组成即将项目分解形成的子任务进行搜索与匹配进而形成候选资源。
5.根据权利要求4所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤4包括如下内容:
步骤4.1,建立多属性服务评估模型;
步骤4.2,去模糊化可靠性评估;
步骤4.3,建立约束约束条件;
步骤4.4,标准化量纲加权处理。
6.根据权利要求5所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤4.1包括以下具体内容:
将整个项目分为n个任务,每个任务又有Ni个子任务,每个子任务对应一定数量的候选资源服务,针对包含服务需求方、服务提供方、云制造管理平台,以时间(T)最小、成本(C)最低、质量(Q)最高、可靠性(R)最高为目标的目标函数F=(T,C,Q,R)T,考虑制造子任务时序约束、制造任务的关系约束、服务独占性原则、子任务原子性约束建立如下多目标云制造资源调度模型:
时间(T)是由物流时间Ttrans还有制造单元加工时间Tprocess组成,表示为:
qT=Tprocess+Ttrans (1)
制造时间
其中表示任务i的第w个子任务被第k个资源加工而产生的加工时间,μw是一个决策变量,当第k个资源(企业k)加工第w个子任务时μw=1,否则μw=0,物流时间
表示将产品从企业k运输到企业q的运输时间,γ是判定因子,表示看k和q之间是否存在运输流,如果是一个企业或者只是一些计算资源、软件资源就不存在运输流,那么γ=0,否则γ=1;
采用区间数的形式表述服务响应时间间隔,如下式:
qT=[min(qT(CS1),...,qT(CSn)),max(qT(CS1),...,qT(CSn))] (4)
对于没有遵守协议,超时的服务在初始筛选中就放弃,即响应时间区间数表示为在一定时间段内的n个单次服务使用的响应时间的最大值和最小值;
成本(T)主要是由原料、加工设备的损坏等组成的制造加工成本Cprocess和物流运输成本Ctrans组成,
C=Cprocess+Ctrans (5)
制造加工成本:
运输成本
质量(Q)是由产品合格率Qquality表示
7.根据权利要求6所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤4.2包括如下具体步骤:
可靠性(R)是基于模糊理论通过客户反映制造资源的加工质量来计算的,数据来源于用户的反馈,设置评估等级为:坏(B)、较坏(LB)、一般(M)、较好(LG)、好(G)的三角模糊数,设置模糊量化中心值相邻上一等级与下一等级比为1∶1.3;
可靠性评估为:其中[b,m,g]中b,g分别表示模糊数的上下限,核值m为取值的最大可能,count表示评价的次数,在将用户的评估映射到一组三角模糊数之后,紧接着去模糊化处理,
其中隶属度函数
8.根据权利要求7所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤4.3的具体内容如下:
任务的所有子任务的执行流程必须要满足任务的既定的工艺需求顺序,子任务一旦在资源服务CSk上开始处理就不能中断,每个资源服务CSk同一时刻只能处理一个子任务,一个子任务只能分配给一个资源服务CSk处理,任务顺序约束:具有顺序约束的任务需在其所有紧前任务完工之后才可以开始。
9.根据权利要求8所述的一种基于模糊多目标优化的云制造资源服务优化调度方法,其特征在于:所述步骤4.4的具体内容如下:
设置候选服务数据集为Q=(qij)n×m,其中qij表示第i个候选服务的第j个属性,在将语言描述性数据转换为区间数再转换为一个单值评估之后,数据集P=(Pij)n×m中仍包含实数和区间数,为了便于评估,将P=(Pij)n×m中的实数看成是上下限相同的区间数,现在利用区间数的四则运算公式将候选服务数据集转换为具有统一量纲的标准化矩阵D=(dij)n×m,如下式,
其中,||Pj||为举证P中第j个列向量的欧几里德模,且 进一步推出式(11)和式(12):
最终得到区间数矩阵, 和越大,则质量越好;
在对用户主观的评价进行客观化处理之后,同时根据用户任务需求配置多个属性的相关权重值w=(w1,w2,w3,w4),得到单个服务的适应度函数如式(13)所示:
fit(csi)=w1qc+w2qT+w3qRel+w4qQ (13)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260084.5A CN110059942B (zh) | 2019-04-02 | 2019-04-02 | 一种基于模糊多目标优化的云制造资源服务优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260084.5A CN110059942B (zh) | 2019-04-02 | 2019-04-02 | 一种基于模糊多目标优化的云制造资源服务优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059942A true CN110059942A (zh) | 2019-07-26 |
CN110059942B CN110059942B (zh) | 2022-08-30 |
Family
ID=67318164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260084.5A Active CN110059942B (zh) | 2019-04-02 | 2019-04-02 | 一种基于模糊多目标优化的云制造资源服务优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059942B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751411A (zh) * | 2019-10-28 | 2020-02-04 | 河海大学常州校区 | 一种面向云制造任务的制造资源匹配方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110826849A (zh) * | 2019-09-20 | 2020-02-21 | 珠海格力电器股份有限公司 | 一种生产排程方法、装置、电子设备及存储介质 |
CN110866591A (zh) * | 2019-10-28 | 2020-03-06 | 浙江大学 | 基于需求预测进行前瞻式云制造服务租赁配置的方法 |
CN111047170A (zh) * | 2019-12-04 | 2020-04-21 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN111507650A (zh) * | 2020-07-02 | 2020-08-07 | 深圳微品致远信息科技有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN111812982A (zh) * | 2020-07-13 | 2020-10-23 | 中国电子科技集团公司信息科学研究院 | 面向智能制造的云制造资源的动态共享与智能分配方法 |
CN111913456A (zh) * | 2020-08-13 | 2020-11-10 | 成都信息工程大学 | 面向制造任务的云制造虚拟车间构造方法 |
CN112200509A (zh) * | 2020-09-11 | 2021-01-08 | 江苏大学 | 一种物流资源整合平台及整合方法 |
CN112257330A (zh) * | 2020-09-18 | 2021-01-22 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
CN112465394A (zh) * | 2020-12-09 | 2021-03-09 | 福州大学 | 一种用于工业4.0大规模个性化生产的动态云制造方法 |
CN112887228A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 云资源管理方法、装置、电子设备及计算机可读存储介质 |
CN113313370A (zh) * | 2021-05-21 | 2021-08-27 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云制造方法 |
CN113743646A (zh) * | 2021-07-19 | 2021-12-03 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云平台调度方法 |
CN113902027A (zh) * | 2021-10-22 | 2022-01-07 | 上海理工大学 | 基于多级标签k近邻的完整性模型资源匹配方法 |
CN114037326A (zh) * | 2021-11-18 | 2022-02-11 | 安徽大学 | 基于e-cargo模型的云erp建模与演化方法及系统 |
CN114172963A (zh) * | 2021-10-15 | 2022-03-11 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
CN114283023A (zh) * | 2021-12-29 | 2022-04-05 | 工业云制造(四川)创新中心有限公司 | 一种基于云制造支撑技术的制造管理方法及系统 |
CN114625497A (zh) * | 2021-12-28 | 2022-06-14 | 杭州电子科技大学 | 一种基于协同感知的可信服务组合方法 |
CN115081831A (zh) * | 2022-06-06 | 2022-09-20 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
CN115756773A (zh) * | 2022-11-01 | 2023-03-07 | 中电金信软件有限公司 | 任务调度方法、装置、电子设备和存储介质 |
CN115759510A (zh) * | 2022-11-15 | 2023-03-07 | 南京航空航天大学 | 一种云制造任务与机加工制造服务的匹配方法 |
CN117151431A (zh) * | 2023-10-30 | 2023-12-01 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
CN117371748A (zh) * | 2023-11-02 | 2024-01-09 | 广州尚捷智慧云网络科技有限公司 | 一种智能化产品数据管理系统及方法 |
WO2024012445A1 (zh) * | 2022-07-15 | 2024-01-18 | 中国移动通信有限公司研究院 | 一种资源调度方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944602A (zh) * | 2017-11-09 | 2018-04-20 | 重庆大学 | 基于信任模型的云制造服务评价与匹配方法 |
CN109190798A (zh) * | 2018-08-06 | 2019-01-11 | 河海大学常州校区 | 一种云制造服务组合优选方法 |
-
2019
- 2019-04-02 CN CN201910260084.5A patent/CN110059942B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944602A (zh) * | 2017-11-09 | 2018-04-20 | 重庆大学 | 基于信任模型的云制造服务评价与匹配方法 |
CN109190798A (zh) * | 2018-08-06 | 2019-01-11 | 河海大学常州校区 | 一种云制造服务组合优选方法 |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826849A (zh) * | 2019-09-20 | 2020-02-21 | 珠海格力电器股份有限公司 | 一种生产排程方法、装置、电子设备及存储介质 |
CN110751292B (zh) * | 2019-10-12 | 2022-05-03 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110751411A (zh) * | 2019-10-28 | 2020-02-04 | 河海大学常州校区 | 一种面向云制造任务的制造资源匹配方法 |
CN110866591A (zh) * | 2019-10-28 | 2020-03-06 | 浙江大学 | 基于需求预测进行前瞻式云制造服务租赁配置的方法 |
CN110751411B (zh) * | 2019-10-28 | 2023-04-07 | 河海大学常州校区 | 一种面向云制造任务的制造资源匹配方法 |
CN112887228B (zh) * | 2019-11-29 | 2024-02-02 | 阿里巴巴集团控股有限公司 | 云资源管理方法、装置、电子设备及计算机可读存储介质 |
CN112887228A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 云资源管理方法、装置、电子设备及计算机可读存储介质 |
CN111047170A (zh) * | 2019-12-04 | 2020-04-21 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN111047170B (zh) * | 2019-12-04 | 2021-09-10 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN111507650A (zh) * | 2020-07-02 | 2020-08-07 | 深圳微品致远信息科技有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN111507650B (zh) * | 2020-07-02 | 2021-01-05 | 深圳微品致远信息科技有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN111812982A (zh) * | 2020-07-13 | 2020-10-23 | 中国电子科技集团公司信息科学研究院 | 面向智能制造的云制造资源的动态共享与智能分配方法 |
CN111913456A (zh) * | 2020-08-13 | 2020-11-10 | 成都信息工程大学 | 面向制造任务的云制造虚拟车间构造方法 |
CN111913456B (zh) * | 2020-08-13 | 2023-06-16 | 成都信息工程大学 | 面向制造任务的云制造虚拟车间构造方法 |
CN112200509A (zh) * | 2020-09-11 | 2021-01-08 | 江苏大学 | 一种物流资源整合平台及整合方法 |
CN112257330B (zh) * | 2020-09-18 | 2023-11-28 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
CN112257330A (zh) * | 2020-09-18 | 2021-01-22 | 北京航空航天大学 | 一种组合模型成熟度评估方法和装置 |
CN112465394B (zh) * | 2020-12-09 | 2022-06-14 | 福州大学 | 一种用于工业4.0大规模个性化生产的动态云制造方法 |
CN112465394A (zh) * | 2020-12-09 | 2021-03-09 | 福州大学 | 一种用于工业4.0大规模个性化生产的动态云制造方法 |
CN113313370A (zh) * | 2021-05-21 | 2021-08-27 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云制造方法 |
CN113743646A (zh) * | 2021-07-19 | 2021-12-03 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云平台调度方法 |
CN114172963A (zh) * | 2021-10-15 | 2022-03-11 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
CN114172963B (zh) * | 2021-10-15 | 2023-07-28 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
CN113902027A (zh) * | 2021-10-22 | 2022-01-07 | 上海理工大学 | 基于多级标签k近邻的完整性模型资源匹配方法 |
CN114037326A (zh) * | 2021-11-18 | 2022-02-11 | 安徽大学 | 基于e-cargo模型的云erp建模与演化方法及系统 |
CN114625497A (zh) * | 2021-12-28 | 2022-06-14 | 杭州电子科技大学 | 一种基于协同感知的可信服务组合方法 |
CN114283023A (zh) * | 2021-12-29 | 2022-04-05 | 工业云制造(四川)创新中心有限公司 | 一种基于云制造支撑技术的制造管理方法及系统 |
CN115081831A (zh) * | 2022-06-06 | 2022-09-20 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
CN115081831B (zh) * | 2022-06-06 | 2024-06-07 | 重庆大学 | 面向工业互联网制造资源分类的事件重组优化方法及系统 |
WO2024012445A1 (zh) * | 2022-07-15 | 2024-01-18 | 中国移动通信有限公司研究院 | 一种资源调度方法、装置及设备 |
CN115756773B (zh) * | 2022-11-01 | 2023-08-29 | 中电金信软件有限公司 | 任务调度方法、装置、电子设备和存储介质 |
CN115756773A (zh) * | 2022-11-01 | 2023-03-07 | 中电金信软件有限公司 | 任务调度方法、装置、电子设备和存储介质 |
CN115759510B (zh) * | 2022-11-15 | 2023-06-23 | 南京航空航天大学 | 一种云制造任务与机加工制造服务的匹配方法 |
CN115759510A (zh) * | 2022-11-15 | 2023-03-07 | 南京航空航天大学 | 一种云制造任务与机加工制造服务的匹配方法 |
CN117151431A (zh) * | 2023-10-30 | 2023-12-01 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
CN117151431B (zh) * | 2023-10-30 | 2024-01-26 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及系统 |
CN117371748A (zh) * | 2023-11-02 | 2024-01-09 | 广州尚捷智慧云网络科技有限公司 | 一种智能化产品数据管理系统及方法 |
CN117371748B (zh) * | 2023-11-02 | 2024-05-14 | 广州尚捷智慧云网络科技有限公司 | 一种智能化产品数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110059942B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059942A (zh) | 一种基于模糊多目标优化的云制造资源服务优化调度方法 | |
Liu et al. | A multi-attribute personalized recommendation method for manufacturing service composition with combining collaborative filtering and genetic algorithm | |
CN103092683B (zh) | 用于数据分析的基于启发式的调度 | |
Kadadevaramath et al. | Application of particle swarm intelligence algorithms in supply chain network architecture optimization | |
CN107515938B (zh) | 一种云制造环境下的供需智能匹配方法 | |
EP3188096A1 (en) | Data analysis for predictive scheduling optimization for product production | |
CN109670267A (zh) | 一种数据处理方法和装置 | |
CN109492774A (zh) | 一种基于深度学习的云资源调度方法 | |
US20090228309A1 (en) | Method and system for optimizing business process management using mathematical programming techniques | |
CN110799997B (zh) | 工业数据服务、数据建模、以及数据应用平台 | |
CN108921702A (zh) | 基于大数据的园区招商方法及装置 | |
CN114902273A (zh) | 使用gpu优化资源分配的系统和方法 | |
Bae et al. | Planning of business process execution in Business Process Management environments | |
Yuen | A hybrid fuzzy quality function deployment framework using cognitive network process and aggregative grading clustering: An application to cloud software product development | |
CN110751411B (zh) | 一种面向云制造任务的制造资源匹配方法 | |
Xue et al. | Computational experiment research on the equalization-oriented service strategy in collaborative manufacturing | |
US20090119077A1 (en) | Use of simulation to generate predictions pertaining to a manufacturing facility | |
CN110516714A (zh) | 一种特征预测方法、系统及引擎 | |
Song | Customization-oriented design of product-service system | |
CN111160717A (zh) | 一种企业创新潜力评估方法和装置 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN115271227A (zh) | 云环境下的资源调度方法 | |
CN117172641A (zh) | 基于区块链与数字孪生的生产物流管理平台及实现方法 | |
CN110147388A (zh) | 一种数据处理的方法及装置 | |
CN117114381A (zh) | 智能制造服务链动态优化配置方法及系统 |
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 |