CN110737984A - 云制造环境下的机械产品服务优选方法 - Google Patents

Abstract

本发明公开了一种云制造平台下的机械产品服务优选方法。首先根据用户需求，将用户需求分解为多个子任务，每个子任务对应多个服务方，以服务时间、服务费用为指标，使用k优选算法，将前k个最优服务组合方案推荐给用户，并降低了计算复杂度，同时避免了元启发式算法不易收敛的问题，可以更高效、准确的为用户提供可靠的选择范围，从而节约用户工作中的时间成本，提高企业竞争力。

Description

云制造环境下的机械产品服务优选方法

技术领域

本发明涉及一种信息化处理方法，尤其是一种云制造环境下的机械产品服务优选方法。

背景技术

云制造是我国北京航空航天大学李伯虎院士针对我国制造业现状提出来一种新型制造模式，其核心思想为通过整合各服务方资源，以达到最大化资源利用率，降低服务方资源浪费的目的。云制造模式下服务优选问题是云制造模式研究的一个热点问题，也是难点问题。

目前云制造模式下服务优选问题均以求某指标(服务时间、服务费用等)的最优服务组合方案为研究目标，建立数学模型，并通过元启发式算法进行求解。但是，在实际应用中，某指标的多组最优服务组合方案更符合需求方的需求。此外，元启发式算法的时间复杂度和空间复杂度较高，且存在调参困难、不收敛和局部最优的现象。

发明内容

针对上述问题，本发明首先将用户需求分解为多个子任务，每一项子任务对应多个服务方，其次以服务时间、服务费用为指标，应用改进的k优选算法，将前k个最优服务组合方案推荐给用户，并降低了计算的复杂度，使其可以在多项式范围内求解，同时相对于元启发式择优算法，更容易保证其收敛性，使用该算法为核心的推荐系统，可以高效、准确的为用户提供可靠的选择范围，从而节约用户工作中的时间成本，提高企业竞争力。

具体技术方案如下：

步骤1：根据需求方的需求，一个任务可以分解为一个或者多个子任务，同时记录每个子任务所对应的一个或者多个服务方。

步骤2：构建子任务无向图模型，由一个子任务向另一个子任务进行时，存在着物流时间费用和物流费用。

步骤3：构建目标优化函数：服务组合方案的总服务时间为各子任务服务过程各生产服务方服务时间之和，与各子任务服务方之间物流时间之和：

上式中：T：服务组合方案的总服务时间；i＝{1,2,...,n}：第i个子任务；j＝{1,2,...,s}：第j个服务方；T_ij：第i个子任务中，第j个服务方的服务时间；T_{i→i+1,j→s}：由第i个子任务向第i+1个子任务进行时，第j个服务方到第s个服务方的服务时间。

服务组合方案的总服务费用为各子任务服务过程各服务方服务费用之和，与各服务方之间物流费用之和：

上式中：C：服务组合方案的总服务费用；C_ij：第i个子任务中，第j个服务方的服务费用；C_{i→i+1,j→s}：由第i个子任务向第i+1个子任务进行时，第j个服务方到第s个服务方的服务费用。

得出前k个最短服务时间的服务优选数学模型为：

上式中m为可选的服务组合方案数目；k为选择的服务组合方案数目；

前k个最小服务费用的服务优选数学模型为：

步骤4：将问题转化为多项式式问题：由于每个结点代表该服务方的资源代价(服务时间、服务费用)，对于任意前一个服务方来说，此资源代价不变，不同的是路径上的资源代价，两个资源代价之和为从前一个服务方到此服务方的全部资源代价。因此，将该结点的资源代价累加到由前一阶段结点到该结点的路径中，释放结点的资源代价，由路径资源代表全部的资源。那么，服务优选问题的有向图即变成经典的有向图：

W′_ij,k＝W_ij,k+P_ij

上式中w′_ij，k表示从前一个服务方到此服务方的全部资源代价，w_ij，k表示一个服务方向下一个阶段服务方的物流时间或者物流费用,P_ij表示中间每一个结点的资源代价可以表示服务方的服务时间，或服务费用

步骤5：将收集的企业数据制作SQL数据库，通过数据传输，将数据传入k推选算法之中，向用户推荐前k个最优服务方。

步骤6：用户反馈，如果用户满意，结束推荐，否则将当前推荐路径封锁，返回步骤5。

k推选算法优化如下：

步骤1：设置最大路径数为m_max，设置各子任务资源代价W'；

步骤2：初始化路径S＝0，k＝0，路径的资源代价之和All＝0；

步骤3：通过Dijkstra算法获得有向图的最短路径，作为第1条最短路径，记为S，并计算路径资源代价之和All；

上述Dijkstra算法伪代码如下：

步骤4：选取资源代价最小作为贪心策略，即算法以资源代价最小为目标求解时，总是做出在当前看来是最好的选择，使用该策略比较每一个任务i的资源代价W'_ij,k与S中对应任务的资源代价的差值，选取差值最小，并且差值大于0的一个作为候选项；；

步骤5：k＝k+1，并比较所有步骤4中得到的差值，选取最小的一个，并替代S中相对应的任务i组成新的路径S；

步骤6：判断m_max是否小于k，如果是，则重复步骤4和步骤5；如果不是，则结束算法。

本发明提供了一种云制造模式下前k个最优服务组合方案优选方法，改进的k推荐算法，该算法时间复杂度为O(n2)，空间复杂度为O(n)，具有较低的空间和时间复杂度，解决了元启发式算法的时间复杂度和空间复杂度较高，且存在调参困难、不收敛和局部最优的问题。

对比了MPS算法、DA和Yen's算法，四种算法的性能如图3、图4所示，k优选算法明显优于其他三种算法，可以更加可靠的为用户更快捷、更准确的提供选择方案。

附图说明

图1整体服务系统流程图

图2有向图模型示意图

图3各算法的前10条最短路径的费用对比图

图4各算法的前10条最短路径的算法运行时间对比图

具体实施方式

一种云制造环境下的机械产品服务优选方法，结合附图及具体实施，详细说明如下。

本实施例基于8GB内存的OS X EI Capitan系统，2.9GHz因特尔i5处理器，试验软件为Python 2.7。

步骤1，将需求方需求分解为n个工序(表中为前5个工序示例)，并分别计算其对于各个服务方的加工费用(时间费用)以及物流费用，示例表1及表2。

表1各工序任务与服务方企业的对应加工费用

表2各工序任务与服务方企业的对应的物流费用

步骤2:为了便于编程，本文对客户和企业进行了编号。由“客户到企业R1i”的客户编号为1，企业编号依次增加(R11编号为2，R12编号为3……)，由于共有25个企业，因此，企业R55的编号为26。由“企业R5i-客户”中的客户编号为27。

步骤3：将表2、表3的数据送入k优选算法模型，输出前10条最优路径，如表4所示。

表4 k优选算法前10条最优路径输出结果

步骤4：在客户端显示企业信息，询问用户满意度，若用户满意，则推荐结束，若用户不满意当前结果，否定当前推荐路径，返回步骤3重新计算路径，并推荐给用户。

步骤5：用户满意推荐结果，推荐结束。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.云制造环境下的机械产品服务优选方法，其特征在于，包括以下步骤：

步骤1：根据需求方的需求，一个任务可以分解为一个或者多个子任务，同时记录每个子任务所对应的一个或者多个服务方；

步骤2：构建子任务无向图，由一个子任务向另一个子任务进行时，存在着物流时间费用和物流费用；

步骤3：构建目标优化函数：服务组合方案的总服务时间为各子任务服务过程各生产服务方服务时间之和，与各子任务服务方之间物流时间之和：

上式中：T：服务组合方案的总服务时间；i＝{1,2,...,n}：第i个子任务；j＝{1,2,...,s}：第j个服务方；T_ij：第i个子任务中，第j个服务方的服务时间；T_{i→i+1,j→s}：由第i个子任务向第i+1个子任务进行时，第j个服务方到第s个服务方的服务时间；

服务组合方案的总服务费用为各子任务服务过程各服务方服务费用之和，与各服务方之间物流费用之和：

上式中：C：服务组合方案的总服务费用；C_ij：第i个子任务中，第j个服务方的服务费用；C_{i→i+1,j→s}：由第i个子任务向第i+1个子任务进行时，第j个服务方到第s个服务方的服务费用；

得出前k个最短服务时间的服务优选数学模型为：

上式中m为可选的服务组合方案数目；k为选择的服务组合方案数目。

前k个最小服务费用的服务优选数学模型为：

上式中m为可选的服务组合方案数目；k为选择的服务组合方案数目。

步骤4：将问题转化为多项式式问题：由于每个结点代表该服务方的资源代价(服务时间、服务费用)，对于任意前一个服务方来说，此资源代价不变，不同的是路径上的资源代价，两个资源代价之和为从前一个服务方到此服务方的全部资源代价。因此，将该结点的资源代价累加到由前一阶段结点到该结点的路径中，释放结点的资源代价，由路径资源代表全部的资源。那么，服务优选问题的有向图即变成经典的有向图：

W′_ij,k＝W_ij,k+P_ij

上式中w′_ij，k表示从前一个服务方到此服务方的全部资源代价，w_ij，k表示一个服务方向下一个阶段服务方的物流时间或者物流费用,P_ij表示中间每一个结点的资源代价可以表示服务方的服务时间，或服务费用

步骤5：将收集的企业数据制作SQL数据库，通过数据传输，将数据传入k推选算法之中，向用户推荐前k个最优服务方。

2.根据权利要求1所述的云制造环境下的机械产品服务优选方法，其特征在于：所述的k推选算法优化如下：

步骤1：设置最大路径数为m_max，设置各子任务资源代价W'；

步骤2：初始化路径S＝0，k＝0，路径的资源代价之和All＝0；

步骤3：通过Dijkstra算法获得有向图的最短路径，作为第1条最短路径，记为S，并计算路径资源代价之和All；

上述Dijkstra算法伪代码如下：

Start

设d[0]＝0，其他d[i]＝INF；

循环n次{

在所有未标号结点中，选出d值最小的结点x；

给结点x标记；

对于从x出发的所有边(x,y)，更新d[y]＝min{d[y],d[x]+w(x,y)

}

End

步骤4：选取资源代价最小作为贪心策略，即算法以资源代价最小为目标求解时，总是做出在当前看来是最好的选择，使用该策略比较每一个任务i的资源代价W'_ij,k与S中对应任务的资源代价的差值，选取差值最小，并且差值大于0的一个作为候选项；

步骤5：k＝k+1，并比较所有步骤4中得到的差值，选取最小的一个，并替代S中相对应的任务i组成新的路径S；

步骤6：判断m_max是否小于k，如果是，则重复步骤4和步骤5；如果不是，则结束算法。

Images