CN110222379A - 制造网络服务质量的优化方法及系统 - Google Patents
制造网络服务质量的优化方法及系统 Download PDFInfo
- Publication number
- CN110222379A CN110222379A CN201910412840.1A CN201910412840A CN110222379A CN 110222379 A CN110222379 A CN 110222379A CN 201910412840 A CN201910412840 A CN 201910412840A CN 110222379 A CN110222379 A CN 110222379A
- Authority
- CN
- China
- Prior art keywords
- network
- manufacture
- service quality
- model
- optimization
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 283
- 238000005457 optimization Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 230000002068 genetic effect Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 33
- 210000000349 chromosome Anatomy 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000007704 transition Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012394 real-time manufacturing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241001310793 Podium Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008275 binding mechanism Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/22—Design optimisation, verification or simulation using Petri net models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种制造网络服务质量的优化方法及系统,所述方法包括:根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化;解决了影响制造网络实时性需求的网络评价优化问题,提高了系统动态适时调整的灵活性,同时也提高了系统的优化性能和优化效率。
Description
技术领域
本发明涉及工业互联网技术领域,特别涉及一种制造网络服务质量的优化方法及系统。
背景技术
工业互联网是面向工业4.0的广义智能制造模式,是以信息物理系统网络为基础,从集中式控制向分散式增强型控制的基本模式的转变,且将狭义地以智能设备主导智能制造单元,通过信息化集成延伸到整个智能工厂、智能制造产业链,由厂内制造延伸到厂外上下游供应商、客户,实现对制造业服务化在最大程度上的个性化定制。
工业互联网架构由边缘层、平台层和企业应用层组成。制造网络是基于边缘网关的网络化制造以及工厂车间子系统,通过工业互联网,实现其决策和洞察与智能制造产业链结合,自适应近乎实时的工况条件,满足用户大规模产品定制需求。制造网络服务质量是通过系统内作业与对应信息调度在何种程度上满足实时监控需求来进行评估的,不仅体现在确保实时制造信息的准确传送上,而且还需满足工件交货期和系统生产率要求等方面。在工业互联网边缘层中,制造网络服务质量在实时性能方面,要求使用服务绑定机制,若用户想最小化制造网络总体的响应时间,且同时保持完成工件加工任务所需时间成本低于预设的一个限度,则需要对工业互联网中的制造网络服务质量进行相应的优化。
发明内容
本发明提供一种应用在工业互联网中的制造网络服务质量的优化方法及系统,旨在解决影响制造网络实时性需求的网络评价优化问题。
本发明提供了一种制造网络服务质量的优化方法,所述制造网络服务质量的优化方法包括:
根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
进一步地,所述根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析,包括:
根据工厂内的制造网络与用户的制造网络对应的服务质量需求,建立网络物流模型;
根据制造网络系统对生产需求变化的适应能力,以及相应的加工工艺流程,定义着色Petri网;
利用定义的所述着色Petri网,建立加工工件对应的物流子网,分析所述网络物流模型对应的工件加工路由和机器的加工序列,并对所述网络物流模型进行冲突分析。
进一步地,所述基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型,包括:
基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器;
根据分析结果,计算所述制造网络系统中突发逗留时间的期望值;
通过加权公平队列调度器以及工业互联网平台,将相关信息上报至远程监控网络。
进一步地,所述基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器,包括:
分析边缘网络加权公平队列调度器,设C为边缘网关输出链路速率,φi(i=1,2,…,n)为信息队列的调度权重,以加工中心作为基本信息单位,该加工中心所有的上报信息共享同一个信息队列,加工中心Ai(i=1,2,…,n)中信息以λi的到达率进入一个能容纳Bi个突发的队列中,其中每个突发平均包含βi个字节;
所述加权公平调度器按照预设服务机制以μi的速率从对应的缓冲区队列中移去突发,并以Ri的传输速率在通信链路上传输,则有:
进一步地,所述根据分析结果,计算所述制造网络系统中突发逗留时间的期望值,包括:
设期望值为F,采用各加工中心突发在制造网络系统网关的平均逗留时间作为衡量所述制造网络系统的网络响应时间,则根据排队理论有:
其中,为所述制造网络系统稳定条件,n为所述制造网络中加工中心数目,其约束条件为:φi≥0(i=1,2,…,n)。
进一步地,所述对所述制造网络的服务质量进行优化,包括:
确定制造网络服务质量的优化目标;
利用遗传算法,采用分段编码的方式构造相关参数对应的染色体,进行染色体编码;
利用评价函数,对制造网络系统存在的多个性能测量评价指标进行评价,并对所述优化目标对应的目标函数进行线性加权,获取对应的加权值;
根据最大隶属度原则,选取与最大评价指标对应的解决方案作为评价结果;
对遗传算法进行改变选择、交叉和变异操作,对选取的所述评价结果进行仿真验证,并在仿真验证通过后,利用选取的所述评价结果对所述制造网络的服务质量进行优化。
进一步地,所述利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,包括:
根据建立的所述网络物流模型和边缘网关信息流模型,对所述遗传算法中的染色体进行编码,初始化相关优化参数和种群;
对染色体进行解码,获取所述网络物流模型和边缘网关信息流模型对应的运行决策参数,通过所述网络物流模型的运行,获取所述制造网络运行的指标值;
根据所述制造网络运行的指标值,获取制造网络服务质量总体适应度;
根据获取的所述总体适应度,识别是否满足终止条件,并根据判断结果,获取所述制造网络服务质量优化的适应值。
进一步地,所述根据获取的所述总体适应度,识别是否满足终止条件,并根据判断结果,获取所述制造网络服务质量优化的适应值,包括:
根据获取的所述总体适应度,识别算法是否满足终止条件;
若满足终止条件,则输出最优染色体,并同时输出所述最优染色体对应的制造网络服务质量优化的适应值;
若不满足终止条件,则执行遗传算法选择操作、遗传算法交叉和变异操作,并返回执行对染色体进行解码的工作流程。
进一步地,所述对所述制造网络的服务质量进行优化,包括:
基于所述网络物流模型和边缘网关信息流模型,预设遗传算法编码方式,将获取的所述制造网络服务质量优化算法部署在边缘网关,供所述制造网络对应的种群进行选择、交叉和变异操作。
对应于上述实施例提供的一种制造网络服务质量的优化方法,本发明还提供了一种制造网络服务质量的优化系统,所述制造网络服务质量的优化系统可以实施所述的制造网络服务质量的优化方法,所述制造网络服务质量的优化系统包括:相互通信连接的数据分析模块和服务优化模块;其中:
所述数据分析模块用于:
根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
所述服务优化模块用于:
利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
本发明提供的一种制造网络服务质量的优化方法及系统可以达到如下有益效果:
通过根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化,解决了影响制造网络实时性需求的网络评价优化问题;且能够动态调节制造网络的整体服务性能,适应制造网络中物流和信息流环境的变化;通过遗传算法实现制造网络服务质量上下文策略的并行调节,可以得到较好的系统服务质量总指标;同时能预测运行环境变化对制造网络服务性能的影响,提高了系统动态适时调整的灵活性;另外,由于分别建立了制造网络物流模型和边缘网关信息流模型,分析相应的服务质量优化目标,采用遗传算法,通过物流和信息流相统一的染色体编码,实现对制造网络服务质量进行优化的同时,提高了优化性能和优化效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明制造网络服务质量的优化方法的一种实施方式的流程示意图;
图2是本发明制造网络服务质量的优化方法中,制造网络物流模型的一种实施方式的模型示意图;
图3是本发明制造网络服务质量的优化方法中,制造网络信息流对应的边缘网关信息流模型的一种实施方式的模型框架示意图;
图4是本发明制造网络服务质量的优化方法中,利用遗传算法与制造网络过程仿真相结合的制造网络服务质量优化求解的一种实施方式的流程示意图;
图5是本发明制造网络服务质量的优化系统的一种实施方式的功能模块示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供了一种应用在工业互联网中的制造网络服务质量的优化方法及系统,解决当在制造网络的边缘网关节点处的网络资源的相对不足、可能会导致不能有效实施制造设备远程监控,或是设备故障导致完工时间延长,进而影响制造网络实时性需求的评价优化等问题。
如图1所示,图1是本发明制造网络服务质量的优化方法的一种实施方式的流程示意图;本发明一种制造网络服务质量的优化方法可以实施为如下描述的步骤S10-S30:
步骤S10、根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
本发明实施例中,根据工厂内制造网络与用户对制造网络服务质量的需求,建立制造网络物流模型(比如,加工工件调度模型)等。利用着色Petri网,通过分析工件加工工艺以及加工中心对其缓冲区内的工件调度等,对建立的上述网络物流模型进行分析。
步骤S20、基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
在上述步骤S10建立的所述网络物流模型的基础上,利用排队论,分析所建立的制造网络信息调度瓶颈节点对应的边缘网关信息流模型,比如边缘网关加工中心数据包排队模型等。在一个实施例中,所述制造网络信息流对应的边缘网关信息流模型如图3所示,图3是本发明制造网络服务质量的优化方法中,制造网络信息流对应的边缘网关信息流模型的一种实施方式的模型框架示意图。
步骤S30、利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
利用预设的遗传算法、模糊综合评判算法等,对建立的上述制造网络物流模型和边缘网关信息流模型进行统一调度分析,并获取所述制造网络服务质量的近似最优解。在该遗传算法中,染色体采用分段基因编码,且该染色体分别是制造网络物流模型和边缘网关信息流模型对应的规则和加权系数的组合。根据获取的所述制造网络服务质量的近似最优解,对该制造网络的服务质量进行优化。
其中,本发明实施例中所描述的遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法;是从代表问题可能潜在的解集的一个种群开始,而一个种群则由经过基因编码的一定数目的个体组成,每个个体实际上是染色体带有特征的实体;其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。
进一步地,在本发明的一个实施例中,图1所述实施例中的“步骤S10、根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析”,可以按照如下技术手段实施为步骤S01-S03:
步骤S01、根据工厂内的制造网络与用户的制造网络对应的服务质量需求,建立网络物流模型。
比如,根据产品大规模定制需求,基于工业互联网平台,通过制造网络边缘网关的Web门户,获得企业用户层有关制造网络服务质量需求;根据获取的工厂内制造网络与用户的制造网络对应的服务质量需求,建立制造网络对应的网络物流模型。
步骤S02、根据制造网络系统对生产需求变化的适应能力,以及相应的加工工艺流程,定义着色Petri网;
步骤S03、利用定义的所述着色Petri网,建立加工工件对应的物流子网,分析所述网络物流模型对应的工件加工路由和机器的加工序列,并对所述网络物流模型进行冲突分析。
进一步地,本发明实施例中,根据制造网络系统对生产需求变化的适应能力以及加工工艺流程,定义着色Petri网,可以按照如下方式实施:
对给定的网系统S=(N,m0),m0为初始标志,N=(P,T,Co,Ppre,Ppost,Cl,D)为有色网,其中,P为库所集,T为变迁集;Co:P∪T→Cl为彩色函数,是关联于P∪T中的每一元素在可能颜色集Cl中的一个非空颜色有序集;且 是pi中可能标志颜色有序集,ui是pi中可能标志颜色数;同理, 令m=|P|,n=|T|,矩阵Ppre、Ppost分别是向前、向后的m×n维关联矩阵,Ppre(pi,tj)表示ui×vj非负整数矩阵,它的基本元素表示为ppre(pi,tj)(h,k),即表示库所pi关于颜色aih至变迁tj关于颜色bjk弧的权重;同理,ppost(pi,tj)(h,k)表示变迁tj关于颜色bjk至库所pi关于颜色aih弧的权重,且C(pi,tj)=Ppost(pi,tj)-Ppre(pi,tj),C为m×n关联矩阵,当且仅当m≥Ppre(·,tj)(β),变迁t∈T对于任意绑定β在标志m下具有发生权,且mt=m+C(·,t)(β)。D为时延函数,且有D:(Co(P)→R+)∪(Co(T)→R+)。
进一步地,本发明实施例中,利用定义的所述着色Petri网,建立加工工件对应的物流子网,分析所述网络物流模型对应的工件加工路由和机器的加工序列,并对所述网络物流模型进行冲突分析,可以按照如下技术手段实施为步骤S11-S13:
步骤S11、建立加工工件对应的物流子网;建立的上述物流子网的模型示意图如图2所示,图2是本发明制造网络服务质量的优化方法中,制造网络物流模型的一种实施方式的模型示意图;假设有两台机器加工两个工件,每个工件分别在两台机器上加工一次,每个工件的工序和加工时间(即工时)如下表所示:
步骤S12、基于建立的物流子网,分析所述网络物流模型对应的工件加工路由和机器的加工序列。
由于定义的上述着色Petri网模型的基本加工模块精简了库所与变迁,即将任意JOB一道工序的开始加工变迁、结束加工变迁及其加工中库合并成一道工序加工的变迁,该变迁的时延为该道工序的加工时间。如图2所示,图2中各元素的描述如下表2所示:
步骤S13、根据获得的所述网络物流模型,对所述网络物流模型进行冲突分析。
对于一个机器加工序列Ti决策,可以得到如下的冲突集结构:
{Ti(JOB1),Ti(JOB2),...,Ti(JOBn)};
而工件路由决策可能导致如下冲突结构:
{T1(JOBi),T2(JOBi),...,Tn(JOBi)}。
在着色Petri网加工工件的网络物流模型中,通过加工工件物流控制策略,分析工件的加工路由以及机器的加工序列,在着色Petri网的可被使能的冲突变迁之间,或者是在这些变迁的输入库所的标记之间,解决冲突。
进一步地,在本发明的一个实施例中,图1所述实施例中的“步骤S20、基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型”,可以按照如下技术手段进行实施:
基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器;根据分析结果,计算所述制造网络系统中突发逗留时间的期望值;通过加权公平队列调度器以及工业互联网平台,将相关信息上报至远程监控网络。
本发明实施例中,基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器时,设C为边缘网关输出链路速率,φi(i=1,2,…,n)为信息队列的调度权重,以加工中心作为基本信息单位,该加工中心所有的上报信息共享同一个信息队列,其中,所有的上报信息包括:加工设备和工件的基本信息、网络制造系统运行的状态信息以及控制信息等;加工中心Ai(i=1,2,…,n)中信息以λi的到达率进入一个能容纳Bi个突发的队列中,其中每个突发平均包含βi个字节;
所述加权公平调度器按照预设服务机制以μi的速率从对应的缓冲区队列中移去突发,并以Ri的传输速率在通信链路上传输,则有:
其中,表示每个突发所需要的平均服务时间,C为链路带宽。所述网络物流模型中,加工中心Ai(1≤i≤n)对应的信息队列指的是:M/M/1单服务器排队系统,制造信息数据包到达是服从泊松分布的;也可以理解为,到达间隔时间服从负指数分布;另外,服务时间也服从负指数分布;其中,对应的潜在用户数和制造系统网关缓存区(或等待位置)均为无限大,排队规则为:先到先服务原则。
在根据分析结果计算所述制造网络系统中突发逗留时间的期望值时,设期望值为F;其中,所述突发逗留时间包括:制造信息数据包在系统中的排队等待时间与接受服务所用时间之和。由于制造网络中,各加工中心信息数据包的平均到达率及其服务速率是不等的,因此,本发明实施例中,采用各加工中心突发在制造网络系统网关的平均逗留时间作为衡量所述制造网络系统的网络响应时间,则根据排队理论有:
其中,为所述制造网络系统稳定条件,n为所述制造网络中加工中心数目,其约束条件为:φi≥0(i=1,2,…,n)。
根据计算得到的制造网络系统中突发逗留时间的期望值,所述制造网络系统上报信息至边缘网关,并通过加权公平队列调度器以及工业互联网平台,将上述相关信息上报至远程监控网络,实现对制造网络服务质量的及时监控与评价。
进一步地,在本发明的一个实施例中,参照图4,图4是本发明制造网络服务质量的优化方法中,利用遗传算法与制造网络过程仿真相结合的制造网络服务质量优化求解的一种实施方式的流程示意图;结合图4所述实施例描述的实施流程,按照如下技术思路进行网络服务质量的优化求解:利用遗传算法与制造网络过程仿真相结合、制造网络服务质量合成问题的优化求解流程。制造网络服务质量是指制造网络中信息流和物流统一调度的机制,其体现在确保实时制造信息的准确传送,同时满足工件交货期和系统生产率要求等方面,则在本发明实施例中,结合图4描述的实施流程,对所述制造网络的服务质量进行优化,可以按照如下技术手段实施为步骤S21-S24:
步骤S21、确定制造网络服务质量的优化目标;
本发明实施例中,将开始作业时间设为0,假设制造时间跨度Fi J为最后作业i的完工时间;F表示制造网络系统中突发逗留时间的期望值,其中,突发逗留时间为:制造信息数据包在系统中的排队等待时间与接受服务所用时间之和;S表示系统平均生产率;则制造网络服务质量优化可以采用如下数学表达式表示:
V-min Q=[Fi J,1/S,F]T;
式中:V-minQ表示向量极小化,其中S是效益型,当加工作业确定时,S随着加工时间成本的减少而增加;对于多目标优化问题,给其每个子目标函数赋予权重进行线性加权,并利用单目标优化的遗传算法求解多目标优化问题。
步骤S22、利用遗传算法,采用分段编码的方式构造相关参数对应的染色体,进行染色体编码;
在遗传算法中,对问题的一个解决方案可以表示为一组参数,这些参数被连接在一起形成一条染色体;根据制造网络服务质量对应的问题的性质,采用分段编码的方式构造染色体,每一个部分对应一种策略类型。
本发明实施例中的基因编码方案分为两个部分:第一部分为制造网络物流系统的策略基因形式,它是作业选择所需加工设备规则和加工设备选择加工作业规则的组合;该策略基因形式以(J+M)个决策点组成物流子染色体,其中J表示工件类总数,M表示机器总数。工件路由的决策点包含0至3号策略,对于每一个加工工件,不同策略对应不同的加工工艺流程;机器加工序列的决策点包含0至7号策略,具体策略包括但不限于:FIFO(先进入缓冲区的作业优先选择)、SCJF(花费时间最少的作业优先选择)和SROJF(剩余最少操作的作业优先选择)等。第二部分是制造应用分享网络资源(即带宽)的调度权重基因形式,该段基因对应于制造网络中每一台加工中心。上述两部分合起来组成的一个制造网络服务质量的整体解决方案;如下表所示的制造网络服务质量编码序列的其中一个示例。
步骤S23、利用评价函数,对制造网络系统存在的多个性能测量评价指标进行评价,并对所述优化目标对应的目标函数进行线性加权,获取对应的加权值;根据最大隶属度原则,选取与最大评价指标对应的解决方案作为评价结果;
本发明实施例中,所述评价函数也称为适应度函数,是根据目标函数确定的用于区分群体中个体(染色体)好坏的标准,是进行自然选择的唯一依据。制造网络系统存在多个性能测量评价指标,本发明实施例中,将制造网络系统中对应的目标函数进行线性加权,则有:
D=W o L=(d1,d2,…,dm);
W=(w1,w2,…,wn),且
其中,W为制造网络服务质量合成因素的权重,权重的选取将直接影响到系统性能;在一个实施例中,将n取值为3;o为模糊算子,L为评价矩阵。若完工时间和制造网络响应时间均为成本型,则其隶属度函数为:
且i=1,2,...,m,j=1,2,...,n;
同时,上述表达式满足:
且当lij=1;当lij=0;
其中,上述表达式中,i表示方案号,j表示指标序号,m表示种群规模和n表示指标集维数;根据最大隶属度原则,选取与最大评价指标对应的方案作为本次评价结果。
步骤S24、对遗传算法进行改变选择、交叉和变异操作,对选取的所述评价结果进行仿真验证,并在仿真验证通过后,利用选取的所述评价结果对所述制造网络的服务质量进行优化。
通过改变选择、交叉和变异操作,可以获得遗传算法的多种变化,选择和交叉操作决定哪些父代将产生子代,以及基因体在父代之间如何交换以产生这些子代;变异则是基因体的随机改变;选择和交叉操作趋于提高种群的质量以及强制收敛,变异操作是为了避免在寻优过程中陷入局部最优解,防止出现未成熟的收敛现象。
在本发明实施例中,还可以采用轮盘赌选择。由于每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比例,因此,适应度值越高,则进入下一代的概率就越大。另外,本发明实施例中,采用单点交叉算子对个体进行两两随机配对,对每一对相互配对的个体随机生成交叉点,依交叉概率在交叉点处相互交换两个个体的部分染色体,从而产生两个新的个体。交叉算子和变异算子相互配合,共同完成对搜索空间的全局搜索和局部搜索;变异算子采用基本位突变,其操作过程是:对个体的每一个基因座,以变异概率指定其变异点;对每一个指定的变异点,对其基因值取反操作,从而产生新一代个体。通常根据具体的应用环境选取遗传算法的三个重要参数,即种群大小、交叉概率和变异概率。
进一步地,在本发明的一个实施例中,图1所述实施例中“步骤S30、利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解”可以实施为如下描述的步骤S31-S34:
步骤S31、根据建立的所述网络物流模型和边缘网关信息流模型,对所述遗传算法中的染色体进行编码,初始化相关优化参数和种群;
本发明实施例中,针对用户提交制造网络服务质量的需求,对应制造网络的门户节点即边缘网关,进行需求匹配,分析建立上述制造网络物流模型和边缘网关信息流模型;制造网络边缘网关根据所建立上述模型,对遗传算法中的染色体进行编码,初始化相关优化参数和种群。
步骤S32、对染色体进行解码,获取所述网络物流模型和边缘网关信息流模型对应的运行决策参数,通过所述网络物流模型的运行,获取所述制造网络运行的指标值;
本发明实施例中,通过制造网络过程模型(包括制造网络物流模型和边缘网关信息流模型)运行,获取该制造网络运行的指标值包括但不限于:制造网络信息响应时间和作业完工时间。
步骤S33、根据所述制造网络运行的指标值,获取制造网络服务质量总体适应度;
步骤S34、根据获取的所述总体适应度,识别是否满足终止条件,并根据判断结果,获取所述制造网络服务质量优化的适应值。
进一步地,本发明实施例中,步骤S34中根据获取的所述总体适应度,识别算法是否满足终止条件;
若满足终止条件,则输出最优染色体,并同时输出所述最优染色体对应的制造网络服务质量优化的适应值;
若不满足终止条件,则进行遗传算法选择操作以及遗传算法交叉和变异操作,并返回执行步骤S32中对染色体进行解码的工作流程,从而顺序执行上述步骤S32至步骤S34的执行过程。
进一步地,结合图4所描述的实施流程,在本发明的一个实施例中,“步骤S32、对染色体进行解码,获取所述网络物流模型和边缘网关信息流模型对应的运行决策参数,通过所述网络物流模型的运行,获取所述制造网络运行的指标值”,需要调用制造网络仿真模型执行下述步骤S41-S42描述的操作:
步骤S41、网络物流模型初始化;
即依据构造的网络物流模型初始化当前制造网络系统标志,设定Petri网(也可以表示为PN)的终止标志,并为Petri网中的库所和变迁构造关联矩阵,初始化仿真时钟。
步骤S42、点燃可触发变迁;
在当前标志中,使用使能的颜色变迁计算冲突集;其中,所述使能的颜色变迁可以理解为:当且仅当根据输入弧的弧变量,变迁的所有输入库所中有足够对应的颜色令牌数。根据传递的染色体物流决策参数,分别从每一个路由冲突集和序列冲突集中选择并点燃一个颜色变迁。
步骤S43、推进仿真时钟;
本发明实施例中,推荐仿真时钟采取如下技术手段:扫描已激发变迁集中的每一个元素,计算该变迁将持续的时间,即变迁触发结束时间减去当前系统仿真时间,而变迁触发结束时间为:变迁开始时间加上变迁持续时间。扫描结束后得到各激发变迁还将持续时间的最小值,以此作为步长,推进仿真时钟。
步骤S44、检查激发结束变迁;
在检查激发结束变迁时,进一步检查每个激发变迁的触发结束时间是否小于或是等于系统当前仿真时间;若是,则结束该颜色的变迁;比如,根据关联矩阵和激发结束变迁,计算当前系统标志,同时按照步骤S42更新激发变迁集。若系统初始化后运行时刻无激发结束变迁,直接转到步骤S43继续执行上述流程。
步骤S45、判断当前标志是否与终止标志相同;
如果当前标志与终止标志相同,则输出仿真结果;如果当前标志与终止标志不相同,则转到步骤S43继续执行上述流程。
按照上述步骤S41-S45对应的整个执行流程,即可得出种群对应物流子系统关于加工时间成本和系统生产率的仿真结果。
进一步地,在一个实施例中,利用图1所述实施例中步骤S30获取的所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化时,可以按照如下技术手段实施:
基于所述网络物流模型和边缘网关信息流模型,预设遗传算法编码方式,将获取的所述制造网络服务质量优化算法部署在边缘网关,供所述制造网络对应的种群进行选择、交叉和变异操作。
本发明制造网络服务质量的优化方法,通过根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化,解决了影响制造网络实时性需求的网络评价优化问题;且能够动态调节制造网络的整体服务性能,适应制造网络中物流和信息流环境的变化;通过遗传算法实现制造网络服务质量上下文策略的并行调节,可以得到较好的系统服务质量总指标;同时能预测运行环境变化对制造网络服务性能的影响,提高了系统动态适时调整的灵活性;另外,由于分别建立了制造网络物流模型和边缘网关信息流模型,分析相应的服务质量优化目标,采用遗传算法,通过物流和信息流相统一的染色体编码,实现对制造网络服务质量进行优化的同时,提高了优化性能和优化效率。
对应于上述实施例提供的一种制造网络服务质量的优化方法,本发明还提供了一种可执行上述任意一个实施例所描述的制造网络服务质量优化方法的系统。图5仅示出了在一种实施方式下,单单以功能性为划分标准,该制造网络服务质量的优化系统的一种实施方式的功能模块构成;如图5所示,图5是本发明制造网络服务质量的优化系统的一种实施方式的功能模块示意图。
在图5所示的功能模块实施例中,所述制造网络服务质量的优化系统包括:相互通信连接的数据分析模块100和服务优化模块200;其中:
所述数据分析模块100用于:
根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
所述服务优化模块200用于:
利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
所述制造网络服务质量的优化系统利用数据分析模块100和服务优化模块200这些功能性模块,执行所述制造网络服务质量的优化方法的具体实施过程请参照上述有关方法实施例的描述,在此不再赘述。
在一个具体的应用场景中,在硬件部署上,该制造网络服务质量的优化系统可以部署:边缘网关、订单/任务代理、制造单元/资源管理代理、制造资源代理、远程监控网络等。比如:
边缘网关:通过工业互联网平台,获得企业用户需求信息,建立制造网络物流模型和边缘网关信息流模型,并基于建立的上述模型对制造网络服务质量进行优化,并将企业用户需求信息和服务质量优化结果传送给订单/任务代理。
订单/任务代理:根据企业用户需求和制造网络服务质量优化结果,向制造单元/资源管理代理下达作业任务和资源配置信息。
制造单元/资源管理代理:根据订单/任务代理的任务信息,初始化制造资源代理(有关制造资源),包括:工件路由信息以及制造资源(加工中心)对缓冲区工件的调度策略。
制造资源代理:经过制造单元/资源管理代理的初始化操作后,制造资源代理运行,通过制造资源代理协同,完成作业计划分解与调度,同时将设备工作状态(包括但不限于:故障、任务完成、监控信息等)主动上报至边缘网关,以此实现用户需求的远程监控。
远程监控网络:边缘网关根据制造网络服务质量优化结果,设置排队模型信息调度权重,进而将相应制造资源上报信息,通过工业互联网平台,发送至远程监控网络。远程监控网络对制造网络服务质量进行分析与评价,基于用户需求,动态调节制造网络服务质量。
本发明制造网络服务质量的优化系统,通过根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化,解决了影响制造网络实时性需求的网络评价优化问题;且能够动态调节制造网络的整体服务性能,适应制造网络中物流和信息流环境的变化;通过遗传算法实现制造网络服务质量上下文策略的并行调节,可以得到较好的系统服务质量总指标;同时能预测运行环境变化对制造网络服务性能的影响,提高了系统动态适时调整的灵活性;另外,由于分别建立了制造网络物流模型和边缘网关信息流模型,分析相应的服务质量优化目标,采用遗传算法,通过物流和信息流相统一的染色体编码,实现对制造网络服务质量进行优化的同时,提高了优化性能和优化效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种制造网络服务质量的优化方法,其特征在于,所述制造网络服务质量的优化方法包括:
根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
2.如权利要求1所述的制造网络服务质量的优化方法,其特征在于,所述根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析,包括:
根据工厂内的制造网络与用户的制造网络对应的服务质量需求,建立网络物流模型;
根据制造网络系统对生产需求变化的适应能力,以及相应的加工工艺流程,定义着色Petri网;
利用定义的所述着色Petri网,建立加工工件对应的物流子网,分析所述网络物流模型对应的工件加工路由和机器的加工序列,并对所述网络物流模型进行冲突分析。
3.如权利要求1所述的制造网络服务质量的优化方法,其特征在于,所述基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型,包括:
基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器;
根据分析结果,计算所述制造网络系统中突发逗留时间的期望值;
通过加权公平队列调度器以及工业互联网平台,将相关信息上报至远程监控网络。
4.如权利要求3所述的制造网络服务质量的优化方法,其特征在于,所述基于建立的所述网络物流模型,利用排队论,分析边缘网络加权公平队列调度器,包括:
分析边缘网络加权公平队列调度器,设C为边缘网关输出链路速率,φi(i=1,2,…,n)为信息队列的调度权重,以加工中心作为基本信息单位,该加工中心所有的上报信息共享同一个信息队列,加工中心Ai(i=1,2,…,n)中信息以λi的到达率进入一个能容纳Bi个突发的队列中,其中每个突发平均包含βi个字节;
所述加权公平调度器按照预设服务机制以μi的速率从对应的缓冲区队列中移去突发,并以Ri的传输速率在通信链路上传输,则有:
5.如权利要求4所述的制造网络服务质量的优化方法,其特征在于,所述根据分析结果,计算所述制造网络系统中突发逗留时间的期望值,包括:
设期望值为F,采用各加工中心突发在制造网络系统网关的平均逗留时间作为衡量所述制造网络系统的网络响应时间,则根据排队理论有:
其中,为所述制造网络系统稳定条件,n为所述制造网络中加工中心数目,其约束条件为:φi≥0(i=1,2,…,n)。
6.如权利要求1至5任一项所述的制造网络服务质量的优化方法,其特征在于,所述对所述制造网络的服务质量进行优化,包括:
确定制造网络服务质量的优化目标;
利用遗传算法,采用分段编码的方式构造相关参数对应的染色体,进行染色体编码;
利用评价函数,对制造网络系统存在的多个性能测量评价指标进行评价,并对所述优化目标对应的目标函数进行线性加权,获取对应的加权值;
根据最大隶属度原则,选取与最大评价指标对应的解决方案作为评价结果;
对遗传算法进行改变选择、交叉和变异操作,对选取的所述评价结果进行仿真验证,并在仿真验证通过后,利用选取的所述评价结果对所述制造网络的服务质量进行优化。
7.如权利要求6所述的制造网络服务质量的优化方法,其特征在于,所述利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,包括:
根据建立的所述网络物流模型和边缘网关信息流模型,对所述遗传算法中的染色体进行编码,初始化相关优化参数和种群;
对染色体进行解码,获取所述网络物流模型和边缘网关信息流模型对应的运行决策参数,通过所述网络物流模型的运行,获取所述制造网络运行的指标值;
根据所述制造网络运行的指标值,获取制造网络服务质量总体适应度;
根据获取的所述总体适应度,识别是否满足终止条件,并根据判断结果,获取所述制造网络服务质量优化的适应值。
8.如权利要求7所述的制造网络服务质量的优化方法,其特征在于,所述根据获取的所述总体适应度,识别是否满足终止条件,并根据判断结果,获取所述制造网络服务质量优化的适应值,包括:
根据获取的所述总体适应度,识别算法是否满足终止条件;
若满足终止条件,则输出最优染色体,并同时输出所述最优染色体对应的制造网络服务质量优化的适应值;
若不满足终止条件,则执行遗传算法选择操作、遗传算法交叉和变异操作,并返回执行对染色体进行解码的工作流程。
9.如权利要求8所述的制造网络服务质量的优化方法,其特征在于,所述对所述制造网络的服务质量进行优化,包括:
基于所述网络物流模型和边缘网关信息流模型,预设遗传算法编码方式,将获取的所述制造网络服务质量优化算法部署在边缘网关,供所述制造网络对应的种群进行选择、交叉和变异操作。
10.一种制造网络服务质量的优化系统,其特征在于,所述制造网络服务质量的优化系统可以实施如权利要求1至9中任一项所述的制造网络服务质量的优化方法,所述制造网络服务质量的优化系统包括:相互通信连接的数据分析模块和服务优化模块;其中:
所述数据分析模块用于:
根据制造网络服务质量需求,建立网络物流模型,并利用着色Petri网,对建立的所述网络物流模型进行分析;
基于建立的所述网络物流模型,利用排队论,分析制造网络信息调度瓶颈节点对应的边缘网关信息流模型;
所述服务优化模块用于:
利用预设算法,对所述制造网络物流模型和边缘网关信息流模型进行统一调度分析,获取所述制造网络服务质量的近似最优解,对所述制造网络的服务质量进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412840.1A CN110222379A (zh) | 2019-05-17 | 2019-05-17 | 制造网络服务质量的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412840.1A CN110222379A (zh) | 2019-05-17 | 2019-05-17 | 制造网络服务质量的优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222379A true CN110222379A (zh) | 2019-09-10 |
Family
ID=67821290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412840.1A Pending CN110222379A (zh) | 2019-05-17 | 2019-05-17 | 制造网络服务质量的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222379A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401680A (zh) * | 2020-02-06 | 2020-07-10 | 西安电子科技大学 | 具有复杂进程子网的自动制造系统的协同活性构建方法 |
CN111695818A (zh) * | 2020-06-15 | 2020-09-22 | 浙江师范大学 | 工业互联网环境下的智能制造服务流程纵向集成方法 |
CN111914489A (zh) * | 2020-08-19 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于分层着色Petri网的CPS系统能耗分析方法 |
CN113918321A (zh) * | 2021-09-08 | 2022-01-11 | 暨南大学 | 面向信息物理系统的可靠边缘-云计算服务延迟优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050027870A1 (en) * | 1998-04-14 | 2005-02-03 | Trebes Harold Herman | System and method for providing peer-oriented control of telecommunication services |
CN102638513A (zh) * | 2011-11-05 | 2012-08-15 | 李宗诚 | 互联网用户终端协调配置智能一体化动态汇通技术基础 |
WO2013091569A1 (zh) * | 2011-12-23 | 2013-06-27 | 新奥科技发展有限公司 | 泛能网控制方法 |
CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
CN109005049A (zh) * | 2018-05-25 | 2018-12-14 | 浙江工业大学 | 一种互联网环境下基于Bigraph一致性算法的服务组合方法 |
-
2019
- 2019-05-17 CN CN201910412840.1A patent/CN110222379A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050027870A1 (en) * | 1998-04-14 | 2005-02-03 | Trebes Harold Herman | System and method for providing peer-oriented control of telecommunication services |
CN102638513A (zh) * | 2011-11-05 | 2012-08-15 | 李宗诚 | 互联网用户终端协调配置智能一体化动态汇通技术基础 |
WO2013091569A1 (zh) * | 2011-12-23 | 2013-06-27 | 新奥科技发展有限公司 | 泛能网控制方法 |
CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
CN109005049A (zh) * | 2018-05-25 | 2018-12-14 | 浙江工业大学 | 一种互联网环境下基于Bigraph一致性算法的服务组合方法 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
Non-Patent Citations (2)
Title |
---|
李小敏: "面向智能制造的工业无线网络服务质量优化关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
郭于明等: "基于遗传算法的制造网络服务质量优化", 《华南理工大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401680A (zh) * | 2020-02-06 | 2020-07-10 | 西安电子科技大学 | 具有复杂进程子网的自动制造系统的协同活性构建方法 |
CN111401680B (zh) * | 2020-02-06 | 2024-01-30 | 西安电子科技大学 | 具有复杂进程子网的自动制造系统的协同活性构建方法 |
CN111695818A (zh) * | 2020-06-15 | 2020-09-22 | 浙江师范大学 | 工业互联网环境下的智能制造服务流程纵向集成方法 |
CN111914489A (zh) * | 2020-08-19 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于分层着色Petri网的CPS系统能耗分析方法 |
CN113918321A (zh) * | 2021-09-08 | 2022-01-11 | 暨南大学 | 面向信息物理系统的可靠边缘-云计算服务延迟优化方法 |
CN113918321B (zh) * | 2021-09-08 | 2022-09-09 | 暨南大学 | 面向信息物理系统的可靠边缘-云计算服务延迟优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Real-time scheduling of cloud manufacturing services based on dynamic data-driven simulation | |
CN110222379A (zh) | 制造网络服务质量的优化方法及系统 | |
Zhang et al. | Collaborative multifidelity-based surrogate models for genetic programming in dynamic flexible job shop scheduling | |
CN102724103B (zh) | 代理服务器、分层次网络系统及分布式工作负载管理方法 | |
CN106126323B (zh) | 基于云平台的实时任务调度方法 | |
CN110084405A (zh) | 吞吐柔性智能装配物流路径规划方法 | |
Bi et al. | Multi-objective deep reinforcement learning assisted service function chains placement | |
Liu et al. | Optimal cross-trained worker assignment for a hybrid seru production system to minimize makespan and workload imbalance | |
Terekhov et al. | Queueing-theoretic approaches for dynamic scheduling: a survey | |
CN106095582A (zh) | 云平台的任务执行方法 | |
Villota-Jacome et al. | Admission control for 5G core network slicing based on deep reinforcement learning | |
Chen et al. | Real-time order acceptance and scheduling for data-enabled permutation flow shops: Bilevel interactive optimization with nonlinear integer programming | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
US11868808B2 (en) | Automatic driving simulation task scheduling method and apparatus, device, and readable medium | |
Ajorlou et al. | Optimization of a multiproduct conwip-based manufacturing system using artificial bee colony approach | |
Zhang et al. | Individualized requirement-driven multi-task scheduling in cloud manufacturing using an extended multifactorial evolutionary algorithm | |
He | Optimization of edge delay sensitive task scheduling based on genetic algorithm | |
CN112288341B (zh) | 基于多智能体强化学习的信贷工厂订单调度方法及装置 | |
CN105872109B (zh) | 云平台负载运行方法 | |
Mou et al. | A hybrid heuristic algorithm for flowshop inverse scheduling problem under a dynamic environment | |
KR20120133362A (ko) | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 | |
Snoek | Neuro-genetic order acceptance in a job shop setting | |
Brintha et al. | Adopting cloud computing for service integration–Wind mill blade manufacturing SMEs in India | |
CN116661962B (zh) | 基于云计算技术的数据分析方法 | |
CN116089021B (zh) | 面向深度学习的大规模负载混部调度方法、装置及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |