CN110751292A - 一种基于遗传算法的云制造多视角协同调度优化方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，用户的相关属性包括时间、成本和可靠性，制造企业的相关属性包括外包，制造平台的相关属性包括能耗，基于遗传算法的云制造多视角协同调度优化方法，包括：采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型。本发明从用户、制造企业和制造平台三个视角优化调度方案，并且采用区间直觉模糊熵权法设置FMILP模型的相关参数，考虑了QoS属性权重和任务权重，以得到更优的调度方案。

Description

一种基于遗传算法的云制造多视角协同调度优化方法

技术领域

本申请属于多任务调度优化领域，具体涉及一种基于遗传算法的云制造多视角协同调度优化方法。

背景技术

随着信息科技与制造技术的不断发展和融合，云制造作为一种新的制造模式引起了广泛的关注。大规模定制下的制造任务是异构的，且每个制造任务可以分解为若干个前后相关联的子任务。当不同子任务同时被分配到同一制造服务时，只有一个子任务可以立即执行，而其它子任务必须等待至该制造服务再次可用或分配到其它可用的制造服务。因此，基于用户提出的制造约束(即任务完成时间、成本和可靠性)实现多个异构任务的调度是一个复杂的问题。

服务质量(quality of service,QoS)是多任务调度问题中为每个子任务分配制造服务的常用决策准则。制造系统中的QoS可以分为两类：性能-QoS和信任-QoS。性能-QoS表示制造服务的客观信息，如时间、成本等。信任-QoS表示制造服务的主观信息，如可靠性、可用性等。现有技术中的大多数调度方案优化都是从用户角度出发，旨在满足制造需求的前提下对QoS值进行优化求解。

然而，一个最优的调度计划需要同时照顾到制造系统中的三个利益相关方：用户、制造企业和制造平台。故仅从用户角度出发进行优化的调度方案实质上并不是较佳的调度方案。对制造平台来说，它更愿意选择低能耗的服务组合，以推动制造企业向绿色制造转型。此外，制造企业可以将分配到的子任务外包给合作的制造企业，而不是局限于一对一的映射模式。现有技术中缺少同时考察三个利益相关方的目标的优化方案，无法使得到的最优调度方案能更有效地应用于实际生产。

另外，大多数的柔性多任务调度问题都是基于精确的属性值来选择候选服务的。然而，由于制造环境固有的不确定性，提前得到精确的属性值并不容易。例如，当发生服务中断或制造资源的其它变化时，加工时间可能会在一定范围内产生波动。尤其是当加工时间很长时，很难准确估计出实际需要的加工时间。此外，现有技术中多数依赖于决策者的经验来确定QoS属性的权重，有些甚至忽略了任务的优先级。QoS属性权重和任务权重分别体现了用户对制造服务的偏好和任务的轻重缓急，两者都会影响制造服务的受欢迎程度，同时对最优调度方案是否能够有效地应用于实际生产有较大影响。

发明内容

本申请的目的在于提供一种基于遗传算法的云制造多视角协同调度优化方法，从用户、制造企业和制造平台三个视角优化调度方案，并且采用区间直觉模糊熵权法设置FMILP模型的相关参数，考虑了QoS属性权重和任务权重，以得到更优的调度方案。

为实现上述目的，本申请所采取的技术方案为：

一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，所述用户的相关属性包括时间、成本和可靠性，所述制造企业的相关属性包括外包，所述制造平台的相关属性包括能耗，所述基于遗传算法的云制造多视角协同调度优化方法，包括：

步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；

步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型，包括：

步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体；

步骤2.2、计算种群中每个个体的迁入率和迁出率；

步骤2.3、计算种群的变异率；

步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群；

步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群；

步骤2.6、执行重启策略；

步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。

作为优选，所述采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型，包括：

计算完成第i个制造任务的总模糊时间

如下：

其中，

为T_ij的模糊结束时间，

为MS_k处理T_ij的模糊开始时间，

为MS_k完成T_ij的模糊准备时间，为MS_k完成T_ij的模糊加工时间，MS_k为第k个制造服务,且k＝1,2,…,K，K为制造服务的总个数，T_ij为第i个制造任务的第j个子任务,j＝1,2,…,J_i，J_i为第i个制造任务的子任务总个数，

为T_ij的第h部分占整个T_ij的比例，若MS_k被选中去完成T_ij的第h部分，则

反之

其中h＝1,2,…,H_ij，H_ij为T_ij被拆分得到的部分总个数，

为T_i(j-1)的模糊结束时间，为MS_k完成一个子任务后的模糊累进时间；

计算完成第i个制造任务的总模糊成本

如下：

其中，

为MS_k完成T_ij的模糊准备成本，

为MS_k完成T_ij的模糊加工成本；

计算完成第i个制造任务的总模糊可靠性如下：

其中，

为MS_k完成T_ij的模糊准备可靠性，

为MS_k完成T_ij的模糊加工可靠性；

计算完成所有任务的总模糊能耗

如下：

其中，

为MS_k完成T_ij的模糊准备能耗，

为MS_k完成T_ij的模糊加工能耗；

根据计算得到的和

以最小化模糊适应度值为优化目标，建立目标函数如下：

式中，

为适应度函数，δ为包含时间、成本和可靠性的QoS属性相对于能耗的权重，δ为0到1之间的小数，η₁、η₂和η₃分别表示时间、成本和可靠性的权重，且η₁+η₂+η₃＝1，ω_i表示种群中第i个任务的权重，且种群中所有任务的权重之和为1，和为

和

归一化后的值。

作为优选，所述采用区间直觉模糊熵权法设置FMILP模型的参数，包括：

所述FMILP模型的参数包括QoS属性的权重以及任务的权重，并且QoS属性q_g的权重为η_g，g为QoS属性的索引，g∈[1,3]，且QoS属性q₁表示时间，QoS属性q₂表示成本，QoS属性q₃表示可靠性：

设置QoS属性q_g的权重η_g时，包括：

其中，α和γ为两个0到1范围内的固定小数，区间直觉模糊熵权法中基于属性q_g对第i个制造任务优先级的评估结果

式中的

为评估结果

中的参数；

设置种群中第i个制造任务的权重ω_i时，包括：

其中，i为制造任务的索引。

作为优选，所述采用二维向量表示各个体，包括：

所述个体包含子任务顺序和制造服务分配；

所述二维向量包含两个一维向量，两个一维向量分别为第一维向量和第二维向量；

采用所述第一维向量表示个体中的子任务顺序，第一维向量的长度与该个体中子任务的个数相等，第一维向量中的元素值表示任务的索引，从第一维向量的初始位开始同一任务的索引出现的次数表示该任务下子任务的索引，第一维向量的初始位至末位为各子任务的调度顺序；

采用所述第二维向量表示个体中的制造服务分配，第二维向量中的元素值表示制造服务的索引，第二维向量的初始位至末位的元素值对应于按默认顺序排列后的各子任务。

作为优选，所述重启策略，包括：

步骤2.6.1、判断当前种群中的最优个体与上一次迭代后种群中的最优个体是否相同，若相同则设置NI＝NI+1；若不相同则设置NI＝0；其中NI为连续不改进次数且初始值为0；

步骤2.6.2、若NI≥MNI，MNI为最大连续不改进次数，则设置NI＝0，RN＝RN+1，RN为重启次数且初始值为0，并执行步骤2.6.3；否则执行步骤2.7；

步骤2.6.3、对当前种群执行步骤2.2～步骤2.4，其中轮盘赌法从种群中选择的迁入个体和迁出个体总数为PS×e^-1/RN个，并随机产生PS×(1-e^-1/RN)个新个体保存至种群中，其中PS为当前种群中的个体数量；

步骤2.6.4、更新MNI＝MNI₀×e^-1/RN+2，其中MNI₀为初始的最大连续不改进次数，并执行步骤2.7。

本申请提供的基于遗传算法的云制造多视角协同调度优化方法，基于时间、成本、可靠性和能耗建立FMILP模型，该模型引入了能客观描述不确定属性值的三角模糊数，以适应动态制造环境。此外，考虑到三个利益相关方之间可能存在利益冲突：从用户角度最大化QoS值，从制造企业角度引入外包使成本效益最大化，从制造平台角度最小化能耗，不仅提高了资源利用率，而且有助于制造系统的可持续发展。因此，该模型能够为用户、制造企业和制造平台带来利润，从而确保制造系统的可持续性。采用基于区间直觉模糊熵权法的遗传算法，以有效地求解FMILP模型。与基于经验的决策方法不同，集成了用户信息网络关系的区间直觉模糊熵权法能更科学地识别QoS属性偏好，并计算任务的优先级。通过融合迁移算子、局部搜索和重启策略，最终得到最优的调度方案。

附图说明

图1为本申请的基于遗传算法的云制造多视角协同调度优化方法的流程图；

图2为本申请的基于区间直觉模糊熵权法的遗传算法的流程图；

图3为实施例2中多视角、双视角、单视角优化方法的比较结果示意图；

图4为实施例2中EGA算法和三种基准算法最优适应度的进化曲线图；

图5为实施例2中四种算法对14个实例进行求解得到平均RPI值的运行结果示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

其中一个实施例中，提供一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，以得到能够有效地应用于实际生产的调度方案。

在云制造多视角协同调度问题中，存在一组独立的制造任务Task＝{Task₁,Task₂,...,Task_I}和一组制造服务MS＝{MS₁,MS₂,...,MS_K}。每个任务由一个或多个子任务组成，且每个服务可以被分配实现多个子任务。每个任务内的子任务将按给定的顺序执行。

相关的，云制造环境中用户的相关属性包括时间、成本和可靠性，制造企业的相关属性包括外包，制造平台的相关属性包括能耗。其中从制造企业的角度来看，其目标是使成本效益最大化，因此制造企业可能通过将部分子任务外包给其它协作的制造企业以调整制造计划，故本实施例中考虑制造企业的相关属性为外包。

为了更清楚地理解本实施例中提出的云制造多视角协同调度问题，优先定义相应的参数表示如下：

Task_i为第i个制造任务，i＝1,2,…,I；T_ij为第i个制造任务的第j个子任务,j＝1,2,…,J_i；MS_k为第k个制造服务,k＝1,2,…,K；为MS_k完成T_ij的模糊准备时间；

为MS_k完成T_ij的模糊加工时间；

为MS_k完成T_ij的模糊准备成本；为MS_k完成T_ij的模糊加工成本；

为MS_k完成T_ij的模糊准备可靠性；

为MS_k完成T_ij的模糊加工可靠性；

为MS_k完成T_ij的模糊准备能耗；

为MS_k完成T_ij的模糊加工能耗；

为完成Task_i的总模糊时间；为完成Task_i的总模糊成本；

为完成Task_i的总模糊可靠性；为完成所有任务的总模糊能耗；为T_ij的模糊结束时间；

为MS_k处理T_ij的模糊开始时间；

为MS_k完成一个子任务后的模糊累进时间；

为完成Task_i的时间限制；为完成Task_i的成本限制；为完成Task_i的可靠性限制；

为决策变量，且如果MS_k被选中去完成T_ij的第h部分，则

反之，

h＝1,2,…,H_ij；

为T_ij的第h部分占整个T_ij的比例。

具体的，如图1所示，本实施例的基于遗传算法的云制造多视角协同调度优化方法，包括：

步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立(模糊混合整数线性规划模型)。

在调度过程中，每个利益相关方都以最大化自己的利益为目标时，相互之间可能存在利益冲突。为了保证制造系统整体的可持续性，在多视角协同优化中，以在用户、制造企业和制造平台等三个利益相关方之间进行权衡，全面考虑三个利益相关方的目标。并且由于制造环境固有的不确定性，将用户、制造企业和制造平台的相关属性表示为精确值是不合理的。

故本实施例将多视角协同优化与模糊理论相结合，建立基于时间、成本、可靠性和能耗的模糊属性值以及外包的FMILP模型，包括：

步骤1.1、计算完成第i个制造任务的总模糊时间

如下：

其中，

为T_ij的模糊结束时间，

为MS_k处理T_ij的模糊开始时间，为MS_k完成T_ij的模糊准备时间，

为MS_k完成T_ij的模糊加工时间，MS_k为第k个制造服务,且k＝1,2,…,K，K为制造服务的总个数，T_ij为第i个制造任务的第j个子任务,j＝1,2,…,J_i，J_i为第i个制造任务的子任务总个数，

为T_ij的第h部分占整个T_ij的比例，若MS_k被选中去完成T_ij的第h部分，则

反之其中h＝1,2,…,H_ij，H_ij为T_ij被拆分得到的部分总个数，为T_i(j-1)的模糊结束时间，

为MS_k完成一个子任务后的模糊累进时间。

步骤1.2、计算完成第i个制造任务的总模糊成本

如下：

其中，

为MS_k完成T_ij的模糊准备成本，

为MS_k完成T_ij的模糊加工成本。

步骤1.3、计算完成第i个制造任务的总模糊可靠性

如下：

其中，

为MS_k完成T_ij的模糊准备可靠性，

为MS_k完成T_ij的模糊加工可靠性。

步骤1.4、计算完成所有任务的总模糊能耗如下：

其中，

为MS_k完成T_ij的模糊准备能耗，

为MS_k完成T_ij的模糊加工能耗。

步骤1.5、根据计算得到的

和

以最小化模糊适应度值为优化目标，建立目标函数如下：

式中，

为适应度函数，δ为包含时间、成本和可靠性的QoS属性相对于能耗的权重，δ为0到1之间的小数，η₁、η₂和η₃分别表示时间、成本和可靠性的权重，且η₁+η₂+η₃＝1，ω_i表示种群中第i个任务的权重，且种群中所有任务的权重之和为1，

和

为

和

归一化后的值。

并且目标函数需满足的约束条件为：

其中，为完成Task_i的时间限制，为完成Task_i的成本限制，

为完成Task_i的可靠性限制。

由于外包难以用一个具体的公式直接体现，故本实施例利用将子任务T_ij拆分H_ij个部分外包给其他制造企业的形式侧面体现外包属性，当子任务T_ij拆分为H_ij个部分后，在计算时间、成本或可靠性等相关属性时同时考虑外包带来的影响，从而使最终的目标函数兼顾各个相关属性。

本实施例中的属性值由TFN(三角模糊数)表示，每个属性值都有三个取值范围，分别表示最小值、最有可能值和最大值的取值范围。例如

中，

表示完成第i个制造任务的最小的总模糊时间、

表示完成第i个制造任务的最有可能的总模糊时间、

表示完成第i个制造任务的最大的总模糊时间，其他属性的表示含义可类推得到。

在目标函数中，为保证所有属性值在相同的数量级上，需要将所有属性值进行归一化处理。只要分配的制造服务可用，当前子任务就可以在上一子任务完成之前就进入到准备阶段。因此，每个任务的完成时间的极值都应该排除准备时间。

时间、成本、可靠性和能耗归一化处理的过程如表1所示。

表1四个属性的极值计算和归一化

表1中的

表示MS_k完成T_ij的模糊加工时间

采用TFN表示后的最小模糊加工时间，

表示MS_k完成T_ij的模糊准备成本

采用TFN表示后的最小模糊准备成本，

表示MS_k完成T_ij的模糊加工成本

采用TFN表示后的最小模糊加工成本，表示MS_k完成T_ij的模糊准备可靠性

采用TFN表示后的最大模糊准备可靠性，

表示MS_k完成T_ij的模糊加工可靠性

采用TFN表示后的最大模糊加工可靠性，

表示MS_k完成T_ij的模糊准备能耗

采用TFN表示后的最小模糊准备能耗，

表示MS_k完成T_ij的模糊加工能耗

采用TFN表示后的最小模糊加工能耗。

根据表1所示内容可得到

和

归一化后的值。

步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型。

如图2所示，步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体。

由于准确的QoS属性偏好较难获得，在现有技术中使用IVIFEW方法(区间直觉模糊熵权法)来识别QoS属性偏好，但是却忽略了制造任务的优先级，在一个实施例中，采用区间直觉模糊熵权法设置FMILP模型的相关参数，IVIFEW方法为采用集成用户信息网络关系的IVIFEW方法，设置的FMILP模型的参数包括QoS属性的优先级以及制造任务的优先级，即QoS属性的权重以及任务的权重。

在IVIFEW方法中，决策者对每个任务的QoS属性偏好可以转化为两个区间直觉模糊数。假设有一组任务Task＝{Task₁,Task₂,...,Task_I}和一组包含时间、成本和可靠性的QoS属性Q＝{q₁,q₂,q₃}＝{T,C,R}，即QoS属性q₁表示时间，QoS属性q₂表示成本，QoS属性q₃表示可靠性。

Task_i的QoS属性的评估值用IVIFS(区间直觉模糊集)表示如下：

X_i＝{<q_g,[μ_TiL(q_g),μ_TiU(q_g)],[υ_TiL(q_g),υ_TiU(q_g)]>|q_g∈Q}

其中0≤μ_TiU(q_g)+υ_TiU(q_g)≤1,μ_TiL(q_g)≥0,υ_TiL(q_g)≥0，g为QoS属性的索引，g∈[1,3]。为方便起见，将区间[μ_TiL(q_g),μ_TiU(q_g)]和[υ_TiL(q_g),υ_TiU(q_g)]表示为

表示决策者基于q_g属性对Task_i优先级的评估结果，包括积极程度和消极程度。例如，

反映了决策者对Task_i的积极程度为50％～70％，而消极程度为20％～30％。

决策者基于三个QoS属性对I个任务的评估结果可以通过一个区间值直觉模糊决策矩阵

来展示。基于决策矩阵D，QoS属性q_g的权重η_g可以通过以下公式计算得到。

设置QoS属性q_g的权重η_g时，包括：

其中，α和γ为两个0到1范围内的固定小数。

并且设置种群中第i个制造任务的权重ω_i时，包括：

其中，i为制造任务的索引。

由于种群的每个个体包含子任务顺序和制造服务分配，传统的一维向量表示方式不能完整表示子任务顺序和服务分配两类信息，因此本实施例采用二维向量表示各个体。具体为：

所述二维向量包含两个一维向量，两个一维向量分别为第一维向量和第二维向量。

采用所述第一维向量表示个体中的子任务顺序，即第一维向量也可称为子任务顺序向量，第一维向量的长度与该个体中子任务的个数相等，第一维向量中的元素值表示任务的索引，从第一维向量的初始位开始同一任务的索引出现的次数表示该任务下子任务的索引，第一维向量的初始位至末位为各子任务的调度顺序。

采用所述第二维向量表示个体中的制造服务分配，即第二维向量也可称为制造服务分配向量，第二维向量中的元素值表示制造服务的索引，第二维向量的初始位至末位的元素值对应于按默认顺序排列后的各子任务。

以下通过实施例进一步说明二维向量表示方法。

实施例1

设二维向量表示方式为Schedule＝{SS,SA}。

若第一维向量SS＝{2,3,1,3,1,2}，则表明该调度方案包含三个任务，每个任务由两个子任务构成。不同的元素代表不同的任务，同一元素表示一个任务内按顺序排列的子任务。例如第一个元素“2”表示任务2的第一个子任务，最后一个元素2表示任务2的第二个子任务。元素“1”和“3”也以同样方式理解。因此，该调度方案的子任务顺序向量也可以表示为SS＝{T₂₁,T₃₁,T₁₁,T₃₂,T₁₂,T₂₂}。

若第二维向量SA＝{[2],[2],[1(0.6),3(0.4)],[3],[1],[2]}，并每个服务分别被分配完成子任务{T₁₁,T₁₂,T₂₁,T₂₂,T₃₁,T₃₂}，即该第二维向量的初始位至末位的元素值对应于按递增顺序排列后的各子任务。在其他实施例中，第二维向量的初始位至末位的元素值也可以对应于按递减顺序排列后的各子任务。

第二维向量SA中第一个元素“2”表示任务1的第1个子任务由服务2完成。当一个子任务由多个制作服务完成时，可以采用SA中第三个元素的方式来表示，第三个元素“1”和“3”表明任务2的第一个子任务的60％由服务1完成，40％由服务3完成。余下的元素也以同样方式来表示。因此，该调度方案的制造服务分配向量也可以表示为SA＝{[MS₂],[MS₂],[MS₁(0.6),MS₃(0.4)],[MS₃],[MS₁],[MS₂]}。

整合该调度方案的两个向量后，该调度方案可以表示为T₂₁[MS₁(0.6),MS₃(0.4)]→T₃₁[MS₁]→T₁₁[MS₂]→T₃₂[MS₂]→T₁₂[MS₂]→T₂₂[MS₃]，其中箭头表示子任务依次调度执行的顺序。

步骤2.2、计算种群中每个个体的迁入率和迁出率。

为了实现种群内的个体信息共享，本实施例中将生物地理学优化算法的迁移操作和遗传算法的交叉操作、变异操作相结合。

采用以下计算种群中每个个体的迁入率和迁出率：

其中，IM_i表示迁入率，EM_i表示迁出率，PS表示种群大小，本实施例中设置优选的种群大小为150，即种群中的个体数量，i表示种群内个体的索引，即第i个个体。

需要说明的是，本实施例中给出的迁入率和迁出率计算方法为现有技术中常用方法，也可以采用其他现有的计算方法替换。

步骤2.3、计算种群的变异率。

本实施例采用的变异率计算公式如下：

其中，Pm表示变异率，Pm₀表示初始变异率，本实施例中设置优选的初始变异率为0.3，iter_max表示最大迭代次数，本实施例中设置优选的最大迭代次数为400，iter表示当前的迭代次数。

需要说明的是，本实施例中给出的变异率计算方法为现有技术中常用方法，也可以采用其他现有的计算方法替换。

步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群。

通常轮盘赌法基于适应度选择个体，本实施例中为了实现种群内个体信息共享，将原来的适应度替换为迁入率和迁出率，其他操作步骤不变，轮盘赌法基于迁入率选择迁入个体，基于迁出率选择迁出个体，进行后续操作。

交叉操作是个体间信息交换的过程，本实施例中以迁入个体和迁出个体作为父母个体，对父母个体中的子任务顺序向量执行改进的优先操作交叉，对个体中的制造服务分配向量执行均匀交叉，以避免产生不可行解。

变异操作可以维持种群的多样性，本实施例中对待执行变异操作的个体中的制造服务分配向量执行基于机器的变异(machine-based mutation)。

需要说明的是，本实施例中采用的均匀交叉、改进的优先操作交叉、基于机器的变异均为现有方法，为避免累赘具体过程不再进一步说明。采用上述方法进行交叉和变异操作可得到具有较优多样性、可行性的种群。

步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群。

局部搜索通过迭代地执行两个邻域结构来改进解决方案，本实施例中设置局部搜索的优选搜索大小为200。执行局部搜索产生领域解时，对个体中的制造服务分配向量采用均匀变异产生邻域，对个体中的子任务顺序向量采用改进的优先操作交叉产生邻域。

其中均匀变异的过程为：随机产生由“0”和“1”两个元素组成的二进制字符串，二进制字符串的长度与制造服务分配向量的长度对应。二进制字符串中元素“0”对应的制造服务分配向量中的元素复制到邻域的相同位置，二进制字符串中元素“1”对应的制造服务分配向量中的元素突变为其它元素，从而产生新的制造服务分配向量。

步骤2.6、执行重启策略；

重启是避免算法陷入局部最优的一种策略(Yu等，2019)。通常，算法在进行一定次数迭代后将触发重启操作，重新初始化个体以更新种群。在执行重启策略时可采用Fu等(2018)设计的重启策略，采用固定触发条件，即每次重启时重新初始化固定比例的种群。

为了提升重启效果，在一个实施例中，采用的重启策略使用自适应触发条件，且每次重启时重新初始化种群的比例是自适应的，从而得到较好的初始化效果，避免算法中参数过于固有化而导致影响重启效果。

该实施例中的重启策略，包括：

步骤2.6.1、判断当前种群中的最优个体与上一次迭代后种群中的最优个体是否相同，若相同则设置NI＝NI+1；若不相同则设置NI＝0；其中NI为连续不改进次数且初始值为0；

步骤2.6.2、若NI≥MNI，MNI为最大连续不改进次数，则设置NI＝0，RN＝RN+1，RN为重启次数且初始值为0，并执行步骤2.6.3；否则执行步骤2.7；

步骤2.6.3、对当前种群执行步骤2.2～步骤2.4，其中轮盘赌法从种群中选择的迁入个体和迁出个体总数为PS×e^-1/RN个，并随机产生PS×(1-e^-1/RN)个新个体保存至种群中，其中PS为当前种群中的个体数量；

步骤2.6.4、更新MNI＝MNI₀×e^-1/RN+2，其中MNI₀为初始的最大连续不改进次数，并执行步骤2.7。本实施例中设置优选的MNI₀＝60。

当种群的最优解不能在自适应的连续迭代次数中得到改进时，可根据基于迁入率和迁出率的轮盘赌法选择个体，采用交叉操作和变异操作生成新的个体，并且同时随机生成新个体，从而进一步提升重启策略的效果，使得重启策略执行后的种群具有较为理想的多样性。

步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。

本实施例的基于遗传算法的云制造多视角协同调度优化方法，多视角协同优化考虑了三个利益相关方的目标，即用户、制造企业和制造平台，不仅提高了资源的利用率，而且有助于制造系统的可持续发展。并且采用IVIFEW方法集成了用户信息的网络关系，能以更客观的方式获得QoS属性的优先级和任务的优先级。此外，本实施例针对基础型遗传算法(GA算法)进行若干改进得到改进型遗传算法(EGA算法)，若干改进包括：(1)结合生物地理学优化算法的迁移操作加速收敛；(2)将局部搜索整合到GA算法中，以提高搜索能力；(3)采用重启策略，以保持种群多样性，避免陷入局部最优。

以下通过实验进一步说明本实施例的基于遗传算法的云制造多视角协同调度优化方法的实用性和有效性。

实施例2

(一)验证云制造多视角协同调度优化方法的实用性：

本文将提出的多视角协同优化方法与现有的双视角优化方法和单视角优化方法分别进行了比较，验证了多视角协同优化方法的实用性。双视角优化方法忽略了制造服务之间的协作，而单视角优化方法在调度时只考虑QoS。图3给出了两种优化方法与本文提出的多视角协同优化方法在不同规模实例中的比较结果。

如图3所示，与双视角优化方法和单视角优化方法相比，采用本文提出的多视角协同优化方法获得的最优适应度值得到了显著提高。其主要原因是本文提出的优化方法综合考虑了多方面的因素，提高了资源利用率，从而更有利于找到潜在的最优解决方案。此外，采用双视角优化方法得到的最优适应度值优于单视角优化方法得到的最优适应度值。

(二)验证EGA算法的有效性：

本文将EGA算法与混合遗传算法(HGA)、扩展变量邻域搜索(EVNS)和基于生物地理学的两阶段优化算法(TBBO)三种基准算法作对比，以评估其有效性。实验使用了14个不同规模的实例，并且四种算法的种群大小和最大迭代次数设置相同。表2展示了三种基线算法的参数设置。

表2三种基准算法的参数设置

首先，以一个中等规模的实例制造任务个数I和制造服务个数K满足I×K为10×20为例，评估了四种算法求解FMILP模型的适用性。图4显示了使用EGA算法和三种基准算法得到的最优适应度的进化曲线。结果表明，四种算法都可以有效地求解FMILP模型。单在求解FMILP模型时，EGA算法在收敛效果和最优适应度方面均优于其它三种基准算法。

14个实例中采用四种算法所得到的模糊最优适应度如表3和表4所示，14个实例中采用四种算法所得到的参数RPI，avg和std如表5和表6所示，对于每个实例，每个算法重复运行20次。

表3四种算法得到的模糊最优适应度(第一部分)

表4四种算法得到的模糊最优适应度(第二部分)

表5四种算法得到的RPI，avg和std(第一部分)

表6四种算法得到的RPI，avg和std(第二部分)

如表3、表4所示，随着任务和制造服务数量的增加，EGA算法得到的模糊适应度均大于其它三种基准算法得到的模糊适应度。

表5、表6所示的统计结果包括三个评价指标：平均RPI值(RPI(％))、平均最佳适应度(avg)和标准差(std)。结果表明，虽然四种算法均能稳定有效地求解所提出的FMILP模型，但是本文提出的EGA算法在上述三个评价指标上的表现均是最优的。

为了更直观地对比实验结果，图5显示了四种算法对14个实例进行求解得到平均RPI值的运行结果。结果表明，EGA算法得到的平均RPI值普遍低于其它三种基准算法。此外，EGA算法得到的平均RPI值相对稳定。因此，EGA算法优于其它三种基线算法。

实验结果表明，本文提出的EGA算法能有效地求解不同规模的FMILP模型。此外，EGA算法在求解FMILP问题时比三种基准算法(即HGA、EVNS和TBBO)表现更优。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，其特征在于，所述用户的相关属性包括时间、成本和可靠性，所述制造企业的相关属性包括外包，所述制造平台的相关属性包括能耗，所述基于遗传算法的云制造多视角协同调度优化方法，包括：

步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；

步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型，包括：

步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体；

步骤2.2、计算种群中每个个体的迁入率和迁出率；

步骤2.3、计算种群的变异率；

步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群；

步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群；

步骤2.6、执行重启策略；

步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。

2.如权利要求1所述的基于遗传算法的云制造多视角协同调度优化方法，其特征在于，所述采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型，包括：

计算完成第i个制造任务的总模糊时间

如下：

其中，

为T_ij的模糊结束时间，

为MS_k处理T_ij的模糊开始时间，为MS_k完成T_ij的模糊准备时间，

为MS_k完成T_ij的模糊加工时间，MS_k为第k个制造服务,且k＝1,2,…,K，K为制造服务的总个数，T_ij为第i个制造任务的第j个子任务,j＝1,2,…,J_i，J_i为第i个制造任务的子任务总个数，为T_ij的第h部分占整个T_ij的比例，若MS_k被选中去完成T_ij的第h部分，则

反之其中h＝1,2,…,H_ij，H_ij为T_ij被拆分得到的部分总个数，

为T_i(j-1)的模糊结束时间，为MS_k完成一个子任务后的模糊累进时间；

计算完成第i个制造任务的总模糊成本

如下：

其中，

为MS_k完成T_ij的模糊准备成本，

为MS_k完成T_ij的模糊加工成本；

计算完成第i个制造任务的总模糊可靠性

如下：

其中，

为MS_k完成T_ij的模糊准备可靠性，

为MS_k完成T_ij的模糊加工可靠性；

计算完成所有任务的总模糊能耗如下：

其中，

为MS_k完成T_ij的模糊准备能耗，

为MS_k完成T_ij的模糊加工能耗；

根据计算得到的

和

以最小化模糊适应度值为优化目标，建立目标函数如下：

式中，

为适应度函数，δ为包含时间、成本和可靠性的QoS属性相对于能耗的权重，δ为0到1之间的小数，η₁、η₂和η₃分别表示时间、成本和可靠性的权重，且η₁+η₂+η₃＝1，ω_i表示种群中第i个任务的权重，且种群中所有任务的权重之和为1，

和

为

和

归一化后的值。

3.如权利要求2所述的基于遗传算法的云制造多视角协同调度优化方法，其特征在于，所述采用区间直觉模糊熵权法设置FMILP模型的参数，包括：

所述FMILP模型的参数包括QoS属性的权重以及任务的权重，并且QoS属性q_g的权重为η_g，g为QoS属性的索引，g∈[1,3]，且QoS属性q₁表示时间，QoS属性q₂表示成本，QoS属性q₃表示可靠性：

设置QoS属性q_g的权重η_g时，包括：

其中，α和γ为两个0到1范围内的固定小数，区间直觉模糊熵权法中基于属性q_g对第i个制造任务优先级的评估结果

式中的

f_i ^g为评估结果

中的参数；

设置种群中第i个制造任务的权重ω_i时，包括：

其中，i为制造任务的索引。

4.如权利要求1所述的基于遗传算法的云制造多视角协同调度优化方法，其特征在于，所述采用二维向量表示各个体，包括：

所述个体包含子任务顺序和制造服务分配；

所述二维向量包含两个一维向量，两个一维向量分别为第一维向量和第二维向量；

采用所述第一维向量表示个体中的子任务顺序，第一维向量的长度与该个体中子任务的个数相等，第一维向量中的元素值表示任务的索引，从第一维向量的初始位开始同一任务的索引出现的次数表示该任务下子任务的索引，第一维向量的初始位至末位为各子任务的调度顺序；

采用所述第二维向量表示个体中的制造服务分配，第二维向量中的元素值表示制造服务的索引，第二维向量的初始位至末位的元素值对应于按默认顺序排列后的各子任务。

5.如权利要求1所述的基于遗传算法的云制造多视角协同调度优化方法，其特征在于，所述重启策略，包括：

步骤2.6.1、判断当前种群中的最优个体与上一次迭代后种群中的最优个体是否相同，若相同则设置NI＝NI+1；若不相同则设置NI＝0；其中NI为连续不改进次数且初始值为0；

步骤2.6.2、若NI≥MNI，MNI为最大连续不改进次数，则设置NI＝0，RN＝RN+1，RN为重启次数且初始值为0，并执行步骤2.6.3；否则执行步骤2.7；

步骤2.6.3、对当前种群执行步骤2.2～步骤2.4，其中轮盘赌法从种群中选择的迁入个体和迁出个体总数为PS×e^-1/RN个，并随机产生PS×(1-e^-1/RN)个新个体保存至种群中，其中PS为当前种群中的个体数量；

步骤2.6.4、更新MNI＝MNI₀×e^-1/RN+2，其中MNI₀为初始的最大连续不改进次数，并执行步骤2.7。

Images