CN110751411B - 一种面向云制造任务的制造资源匹配方法 - Google Patents
一种面向云制造任务的制造资源匹配方法 Download PDFInfo
- Publication number
- CN110751411B CN110751411B CN201911030547.5A CN201911030547A CN110751411B CN 110751411 B CN110751411 B CN 110751411B CN 201911030547 A CN201911030547 A CN 201911030547A CN 110751411 B CN110751411 B CN 110751411B
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- cloud
- task
- resource
- resources
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种面向云制造任务的制造资源匹配方法,方法包括:基于工作流的云制造任务分解;云平台资源区域化并进行初步筛选;基于性价比与风险率对所筛选的资源进行综合评价;挑选综合评价优的制造资源构造生产链,运用基于仿生调节机制的改进型智能方法,求解最优生产路径。在求解最优生产路径的时,采用基于最小化投入资金的适应度函数为目标函数,寻找最优的资源调度分配;当满足预设终止条件时,输出针对云制造任务的最优资源匹配方案。本发明能够有效克服筛选出的制造资源中不确定因素所带来的过高成本问题,具有良好的全局寻优能力,在短时间内得到可行的优化资源匹配调度制造链方案。
Description
技术领域
本发明涉及工业领域中生产制造技术领域,特别是一种面向云制造任务的制造资源匹配方法。
背景技术
云制造是为降低制造资源的浪费,借用云计算的思想,利用信息技术实现制造资源的高度共享。建立共享制造资源的公共服务平台,将巨大的社会制造资源池连接在一起,提供各种制造服务,实现制造资源与服务的开放协作、社会资源高度共享,支持制造业在广泛的网络资源环境下,为产品提供高附加值、低成本和全球化制造的服务。企业用户无需再投入高昂的成本购买加工设备等资源,只需通过公共平台来购买租赁制造能力。
由于云制造中对于任务的分解与调度过程的大部分方法考虑因素较单一,不同因素间的权重不能很好的确定,往往不能得到的较为理想的分配结果,突发意外难以协调,耗费人力物力,不能充分利用制造资源,影响任务完成进度,效率较低。所以现有的多数云制造资源匹配调度方法的实际应用能力不强,无法提高空闲企业的利用率,也无法有效的降低运行成本。
发明内容
本发明的目的是提供一种面向云制造任务的制造资源匹配方法和装置,面对云平台数目庞大的资源能够进行合理的匹配调度,且针对不同规模的生产任务皆能够稳定的获得高质量的资源调度方案。
本发明采取的技术方案如下:
一方面本发明提供一种面向云制造任务的制造资源匹配方法,包括:
获取云制造任务数据;
对云制造任务进行任务分解,得到对应不同制造工序的子任务;
进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径。
可选的,按照加工类型对云制造任务进行任务分解,所述制造工序包括核心工序,根据核心工序进行云平台制造资源的匹配,包括:
获取各制造资源在制造资源分布的地理位置数据;
匹配对应核心工序的制造资源;
以各核心工序制造资源地理位置为中心,确定预设可接受范围内的待筛选制造资源区域;
响应于待筛选制造资源区域内对应云制造任务的各子任务分别至少有一制造资源,则获取并记录相应待筛选制造资源区域内的对应各子任务的制造资源数据。
可选的,云制造任务数据中包括相应云制造任务核心工序制造资源对其它子任务制造资源的可接受范围。可接受范围由发出云制造任务的用户确定。
作为另一种可选的实施方式,根据核心工序进行云平台制造资源的匹配还包括:根据云制造任务的类型,按照预设云制造任务类型与可接受范围参数的对应关系,确定当前云制造任务中核心工序制造资源对其它子任务制造资源的可接受范围。
制造资源中心所在的位置即可认为是制造资源的地理位置。云制造任务所对应的各种实际制造任务中,其核心工序是由制造任务本身确定的。因此本发明方法还包括:在对云制造任务进行任务分解后,按照预设的制造类型与核心工序的对应关系,根据云制造任务的制造类型确定核心工序及其对应的子任务。
可选的,对于各制造资源区域,分别对其中的各制造资源进行综合评估的评估规则为:
分别对制造资源的投资风险,投入成本和产品性能进行评估;
基于三个评估结果值,对制造资源进行综合评价,得到制造资源的性价比结果为:
H=(∑C+∑C')×(1-HR)/P
其中:H为综合性价比值,C为产品性能值(商品的性能值总和),C'为客户关注性能值,P为投入成本,HR为投资风险。本发明在评价函数种引入性价比和风险率,并将时间因素纳入成本考量,以时间驱动作为成本一部分,将性价比作为最终评价函数,避免了以往研究中不同因素的权重没有确定依据问题。
可选的,本发明方法中,对于各制造资源区域中对应各子任务的制造资源:分别选取性价比结果最优的前k个制造资源构造云制造任务的1个以上生产链;或者按照综合性价比值由大到小排列,选取预设比例数量的排列在前的制造资源构造云制造任务的1个以上生产链。同一制造资源区域的不同生产链即分配方案中,对应核心工序的制造资源为同一个,结合后续的综合评估可以看出,本发明是以核心工序的制造资源作为评价主体,并加以约束条件,可确保其在合适的地域范围内均存在满足其他加工工序的制造资源,减少在初步综合评价筛选制造资源的不确定因素而造成的成本变动过大。
可选的,分别对制造资源的投资风险,投入成本和产品性能指标进行评估包括:
数据预处理以归一化量纲和数量级;
基于预设的评价指标模糊数,构造模糊评价矩阵,并求解各指标的主观权重和客观权重;
基于主观权重和客观权重求解各指标的最终权重;
根据各指标的最终权重,基于预设的评价函数,求取各指标的评估值。
可选的,基于各制造资源区域及其内的制造资源构造云制造任务的生产链,并利用基于仿生调节机制的智能算法求解最优生产路径;
假设全部制造资源区域构造的生产链有n种,云制造任务的子任务有N个,则所述最优生产路径求解包括:
对由n种针对云制造任务的不同分配方案所组成的组合解群体在N维空间进行搜索;
根据生物激素调节机制,对组合解的搜索速度公式进行改进,依据莱维飞行准则对组合解的位置公式进行改进,进而由资源组合更新公式对组合解进行更新,确定每个新组合解的速度和位置;
采用满足工期要求的最小化成本的适应度函数计算新组合解的适应度,进而更新组合解的个体最优组合和种群最优组合;
当满足预设的迭代终止条件时,求得种群最优解,输出相应的最优资源分配方案。
可选的,所述适应度函数公式为:
P=∑Pi+∑Pj
其中,P代表制造任务的总资金投入,Pi代表第i道工序的所需成本,Pj代表第j次运输所需的成本。
可选的,所述预设的迭代终止条件为:达到预设的迭代次数且在最近的设定迭代次数下种群最优值没有发生改变;
迭代终止时,将当前种群最优值作为种群最优解,对应的资源分配方案即云制造任务的最优路径。
另一方面,本发明还提供一种面向云制造任务的制造资源匹配装置,包括:
云制造任务数据获取模块,用于获取云制造任务数据;
任务分解模块,用于对云制造任务进行任务分解,得到对应不同制造工序的子任务;
制造资源匹配模块,用于进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
综合评估模块,用于针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
生产路径寻优模块,用于根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径。
有益效果
本发明可适用于为单个云制造任务进行制造资源匹配,以得到满足工期同时成本/产品性能/投资风险等指标综合较优的分配方案,可有效克服资源因地理因素造成成本过高,性能与成本的权重问题,以及风险隐患等缺点;
通过运用基于仿生机制的智能算法,本发明针对不同规模的生产任务均具有较强的寻优能力及鲁棒性,可稳定的获得高质量的资源调度方案,以此来实现合理的任务分配,提高云平台的运行效率,具有重要的理论价值和实际意义。
附图说明
图1所示为本发明方法的一种具体实施例流程示意图;
图2所示为本发明云制造资源区域化分布示意图;
图3所示为云制造资源综合评价的评价体系。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例为一种面向云制造任务的制造资源匹配方法,包括:
获取云制造任务数据;
对云制造任务进行任务分解,得到对应不同制造工序的子任务;
进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径。
实施例1-1
基于实施例1,本实施例中,按照加工类型对云制造任务进行任务分解,单个云制造任务的制造工序包括核心工序,本实施例根据核心工序进行云平台制造资源的匹配,包括:
获取各制造资源在制造资源分布的地理位置数据;
匹配对应核心工序的制造资源;
以各核心工序制造资源地理位置为中心,确定预设可接受范围内的待筛选制造资源区域;
响应于待筛选制造资源区域内对应云制造任务的各子任务分别至少有一制造资源,则获取并记录相应待筛选制造资源区域内的对应各子任务的制造资源数据。
云制造任务数据中包括相应云制造任务核心工序制造资源对其它子任务制造资源的可接受范围。即可接受范围由发出云制造任务的用户确定。
关于可接受范围的确定,作为另一种可选的实施方式,根据核心工序进行云平台制造资源的匹配还包括:根据云制造任务的类型,按照预设云制造任务类型与可接受范围参数的对应关系,确定当前云制造任务中核心工序制造资源对其它子任务制造资源的可接受范围。
各制造资源中心所在的位置即可认为是相应制造资源的地理位置。云制造任务所对应的各种实际制造任务中,其核心工序是由制造任务本身确定的。因此本实施例在对云制造任务进行任务分解后,按照预设的制造类型与核心工序的对应关系,根据云制造任务的制造类型确定核心工序及其对应的子任务。子任务的划分也可由用户指定。
对于各制造资源区域,分别对其中的各制造资源进行综合评估的评估规则为:
分别对制造资源的投资风险,投入成本和产品性能进行评估;
基于三个指标评估结果值,对制造资源进行综合评价,得到制造资源的性价比结果为:
H=(∑C+∑C')×(1-HR)/P
其中:H为综合性价比值,C为产品性能值(商品的性能值总和),C'为客户关注性能值,P为投入成本,HR为投资风险。本发明在评价函数种引入性价比和风险率,并将时间因素纳入成本考量,以时间驱动作为成本一部分,将性价比作为最终评价函数,避免了以往研究中不同因素的权重没有确定依据问题。
本实施例中,对于各制造资源区域中对应各子任务的制造资源:分别选取性价比结果最优的前k个制造资源构造云制造任务的1个以上生产链;或者按照综合性价比值由大到小排列,选取预设比例数量的排列在前的制造资源构造云制造任务的1个以上生产链。同一制造资源区域的不同生产链即分配方案中,对应核心工序的制造资源为同一个,结合后续的综合评估可以看出,本发明是以核心工序的制造资源作为评价主体,并加以约束条件,可确保其在合适的地域范围内均存在满足其他加工工序的制造资源,减少在初步综合评价筛选制造资源的不确定因素而造成的成本变动过大。
本实施例中,分别对制造资源的投资风险,投入成本和产品性能指标进行评估包括:
数据预处理以归一化量纲和数量级;
基于预设的评价指标模糊数,构造模糊评价矩阵,并求解各指标的主观权重和客观权重;
基于主观权重和客观权重求解各指标的最终权重;
根据各指标的最终权重,基于预设的评价函数,求取各指标的评估值。
本实施例基于各制造资源区域及其内的制造资源构造云制造任务的生产链,并利用基于仿生调节机制的智能算法求解最优生产路径;
假设全部制造资源区域构造的生产链有n种,云制造任务的子任务有N个,则所述最优生产路径求解包括:
对由n种针对云制造任务的不同分配方案所组成的组合解群体在N维空间进行搜索;
根据生物激素调节机制,对组合解的搜索速度公式进行改进,依据莱维飞行准则对组合解的位置公式进行改进,进而由资源组合更新公式对组合解进行更新,确定每个新组合解的速度和位置;
采用满足工期要求的最小化成本的适应度函数计算新组合解的适应度,进而更新组合解的个体最优组合和种群最优组合;
当满足预设的迭代终止条件时,求得种群最优解,输出相应的最优资源分配方案。
上述适应度函数公式为:
P=∑Pi+∑Pj
其中,P代表制造任务的总资金投入,Pi代表第i道工序的所需成本,Pj代表第j次运输所需的成本。
预设的迭代终止条件为:达到预设的迭代次数且在最近的设定迭代次数下种群最优值没有发生改变;
迭代终止时,将当前种群最优值作为种群最优解,对应的资源分配方案即云制造任务的最优路径。
实施例1-2
基于实施例1,参考图2所示,本实施例方法包括如下步骤:
步骤1:基于工作流的云制造任务分解;
步骤2:云平台资源区域化并进行初步筛选;
步骤3:基于性价比与风险率对所筛选的资源进行综合评价;
步骤4:挑选评价在前十位的制造方构造生产链,运用智能算法求解最优生产路径。
步骤1中云制造的任务分解主要是依据工作流将任务以合适的粒度进行分解,以适应不同的制造商所提供的加工类型。
步骤2中资源区域化是指以工作流中的核心工序作为基准点进行区域的划分,将核心工序一定范围内的所有制造资源作为一个区域,该区域的划分中,不同区域存在重叠,但最终结果不会影响资源的调度。
为详细说明资源区域化的满足条件举出如下例子:
图2所示为制造资源地理分布示意图,假设将制造资源分布地区划分为10km×10km方格,制造资源中心所在方格即代表制造资源地理位置,并依据所提供的不同工序进行颜色区分(图2中以灰度不同显示)以便识别。蓝色代表核心工序制造提供方(即区域中心的位置点),相同颜色(灰度)的不同方格代表同一工序的不同制造资源,如图所示在核心工序以R为半径的圆域A内存在所有工序的提供方,即该核心工序制造方符合匹配约束要求。R为可接受地域范围,可由发出云制造任务的用户指定。
资源的初步筛选过程如下:
(1)任务分解
分析输入任务和任务约束,依据产品具有模块化的特点,基于工作流,以合适的粒度对制造总任务进行分解并分析以确定核心工序Taski。
(2)搜索制造服务资源云池匹配工序任务
经过步骤(1)的分解,采用遍历的算法在制造资源服务云池进行检索,匹配符合核心工序任务要求的制造资源。
(3)制造资源约束条件检验
根据可接受范围R,对于符合核心工序的制造资源所在的范围A内,进行其他工序子任务Task_else的匹配工作,若满足子任务制造条件则存储制造方数据,否则不存储制造方数据,进入下一步骤。
(4)终止遍历检索判定
若云池资源已遍历,则进入步骤(5),否则跳转回步骤(2)。
(5)分解结束
将符合匹配要求的制造资源进行汇总,以待进行性价比综合评价。
步骤3中,性价比综合评价具体包括如下步骤:
(1)评价体系的建立
综合考虑多方因素情况后,通过合理分类,将评价体系分为三大类:
投入成本、投资风险和产品性能,评价体系详见图3。
(2)数据预处理
不同指标的数据可能由于量纲和数量级不同致使无法进行比较因此需要对数据进行预处理。
等式左边的xi即预处理后的指标值,等式右边的xi为原指标值,xmax和xmin分别为指标值中的最大值和最小值,N为指标值数量。
(3)构造模糊判断矩阵求解主观权重和客观权重
表1因素标度及其含义一览表
①由专家给出每一级的评价指标的模糊数构成模糊评价矩阵,举例如下:
表2模糊评价矩阵
经过处理得到模糊矩阵
并通过下式对模糊数去模糊化,并对模糊化后的评价数值进行标准化,得到每一评价层最终主观权重ωi。
其中M1=(m1,u1,l1),M2=(m2,u2,l2),m、u、l为模糊数的下极限、极值点、上极限,μ为隶属度函数:
(4)最终权重求解
Tωj=β·Oωj+(1-β)Sωj,(0.5<β<0.8)
(5)评价函数建立
Z=μM×Tωj×R
其中R为资源数据矩阵。
由以上公式分别求出投资风险、投入成本与产品性能指标的最终数值,然后利用下面的公式求出综合评价的性价比值Z。
H=(∑C+∑C')×(1-HR)/P
其中:H——性价比值,C——商品性能值(商品的性能值总和),C'——客户关注性能值,P——价格(即投入成本),HR——风险率。
步骤4采用基于仿生调节机制的智能算法具体如下:
假设由n种针对一个云制造任务的分配方案所组成的组合解群体在N维空间进行搜素,N为云制造任务中工序的个数,则第i种分配方案的编码信息为xi=(xi1,xi2,…,xiN),i=1,2,…,n;其未来进化信息为vi=(vi1,vi2,…,viN),i=1,2,…,n;由适应度函数确定组合解群体中的当前最优方案和历史最优方案。其中在第K次进化迭代中,组合解群体的编码信息的更新表达式为:
其中ω为惯性权重,c1、c2为学习因子,为[0,1]区间内均匀分布的随机参数,为K-1次迭代中的当前最优方案,为K-1次迭代中的历史最优方案,T代表阈值(T>0),ω0代表惯性初始权值,n表示Hill系数(n≥1),i∈[1,2,…,N],代表第N维的步长控制量,α是步长缩放因子,可取0.3~0.7,α0为常数(α0<1),Levy(λ)为随机搜索路径,为点乘运算,并满足莱维分布:Levy~u=t-λ,1<λ≤3。
当到预设的迭代次数且在最近的设定迭代次数下种群最优值没有发生改变;
迭代终止时,将当前种群最优值作为种群最优解,对应的资源分配方案即云制造任务的最优路径。
综上,本实施例方法包括:基于工作流的云制造任务分解;云平台资源区域化并进行初步筛选;基于性价比与风险率对所筛选的资源进行综合评价;挑选综合评价在前k位的制造方构造生产链,运用基于仿生调节机制的改进型智能方法,求解最优生产模式。采用基于最小化投入资金的适应度函数为目标函数,寻找最优的资源调度分配;当满足本方法的预设终止条件时,输出针对云制造任务的优化资源匹配方案。本发明能够有效克服筛选出的制造资源中不确定因素所带来的过高成本问题,具有良好的全局寻优能力,在短时间内得到可行的优化资源匹配调度制造链方案。
实施例2
基于与实施例1相同的发明构思,本实施例为一种面向云制造任务的制造资源匹配装置,包括:
云制造任务数据获取模块,用于获取云制造任务数据;
任务分解模块,用于对云制造任务进行任务分解,得到对应不同制造工序的子任务;
制造资源匹配模块,用于进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
综合评估模块,用于针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
生产路径寻优模块,用于根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种面向云制造任务的制造资源匹配方法,其特征是,包括:
获取云制造任务数据;
对云制造任务进行任务分解,得到对应不同制造工序的子任务;
进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径;
其中,按照加工类型对云制造任务进行任务分解,所述制造工序包括核心工序,根据核心工序进行云平台制造资源的匹配,包括:
获取各制造资源在制造资源分布的地理位置数据;
匹配对应核心工序的制造资源;
以各核心工序制造资源地理位置为中心,确定预设可接受范围内的待筛选制造资源区域;
响应于待筛选制造资源区域内对应云制造任务的各子任务分别至少有一制造资源,则获取并记录相应待筛选制造资源区域内的对应各子任务的制造资源数据;
所述基于各制造资源区域及其内的制造资源构造云制造任务的生产链,并求解最优生产路径,利用基于仿生调节机制的智能算法,包括;
假设全部制造资源区域构造的生产链有n种,云制造任务的子任务有N个,则所述最优生产路径求解包括:
对由n种针对云制造任务的不同分配方案所组成的组合解群体在N维空间进行搜索;
根据生物激素调节机制,对组合解的搜索速度公式进行改进,依据莱维飞行准则对组合解的位置公式进行改进,进而由资源组合更新公式对组合解进行更新,确定每个新组合解的速度和位置;
采用满足工期要求的最小化成本的适应度函数计算新组合解的适应度,进而更新组合解的个体最优组合和种群最优组合;
当满足预设的迭代终止条件时,求得种群最优解,输出相应的最优资源分配方案;
其中,所述由资源组合更新公式对组合解进行更新,包括:由n种针对一个云制造任务的分配方案所组成的组合解群体在N维空间进行搜索时,在第K次进化迭代中,组合解群体的编码信息的更新表达式为:
N为云制造任务中工序的个数,第i种分配方案的编码信息为xi=(xi1,xi2,…,xiN),其未来进化信息即组合解速度为vi=(vi1,vi2,…,viN),i=1,2,…,n;为按照粒子群算法更新的组合解位置,为按照莱维飞行准则更新的组合解位置,为最终确定的组合解位置;ω为惯性权重,ω0代表惯性初始权值,ωmax、ωmin分别代表预设的惯性权重最大、最小值;c1、c2为学习因子,为[0,1]区间内均匀分布的随机参数,为K-1次迭代中的当前最优方案,为K-1次迭代中的历史最优方案,T代表阈值,T>0,h表示Hill系数,且h≥1,α是步长缩放因子,Levy(λ)为随机搜索路径,为点乘运算,并满足莱维分布:Levy~u=t-λ,1<λ≤3。
2.根据权利要求1所述的方法,其特征是,云制造任务数据中包括相应云制造任务核心工序制造资源对其它子任务制造资源的可接受范围。
3.根据权利要求1所述的方法,其特征是,还包括:在对云制造任务进行任务分解后,按照预设的制造类型与核心工序的对应关系,根据云制造任务的制造类型确定核心工序及其对应的子任务。
4.根据权利要求1所述的方法,其特征是,对于各制造资源区域,分别对其中的各制造资源进行综合评估的评估规则为:
分别对制造资源的投资风险,投入成本和产品性能进行评估;
基于三个评估结果值,对制造资源进行综合评价,得到制造资源的性价比结果为:
H=(∑C+∑C')×(1-HR)/P
其中:H为综合性价比值,C为产品性能值,C'为客户关注性能值,P为投入成本,HR为投资风险。
5.根据权利要求1或4所述的方法,其特征是,对于各制造资源区域中对应各子任务的制造资源:分别选取性价比结果最优的前k个制造资源构造云制造任务的1个以上生产链;或者按照综合性价比值由大到小排列,选取预设比例数量的排列在前的制造资源构造云制造任务的1个以上生产链。
6.根据权利要求4所述的方法,其特征是,分别对制造资源的投资风险,投入成本和产品性能指标进行评估包括:
数据预处理以归一化量纲和数量级;
基于预设的评价指标模糊数,构造模糊评价矩阵,并求解各指标的主观权重和客观权重;
基于主观权重和客观权重求解各指标的最终权重;
根据各指标的最终权重,基于预设的评价函数,求取各指标的评估值。
7.根据权利要求1所述的方法,其特征是,所述适应度函数公式为:
P=∑Pi+∑Pj
其中,P代表制造任务的总资金投入,Pi代表第i道工序的所需成本,Pj代表第j次运输所需的成本;
所述预设的迭代终止条件为:达到预设的迭代次数且在最近的设定迭代次数下种群最优值没有发生改变;
迭代终止时,将当前种群最优值作为种群最优解,对应的资源分配方案即云制造任务的最优路径。
8.一种面向云制造任务的制造资源匹配装置,其特征是,包括:
云制造任务数据获取模块,用于获取云制造任务数据;
任务分解模块,用于对云制造任务进行任务分解,得到对应不同制造工序的子任务;
制造资源匹配模块,用于进行云平台制造资源匹配,得到满足云制造任务要求的至少一个制造资源区域,各制造资源区域包括分别对应各子任务的至少一个制造资源;
综合评估模块,用于针对各制造资源区域,利用预设的评估规则,分别对其中的各制造资源进行评估;
生产路径寻优模块,用于根据评估结果,基于各制造资源区及其内的制造资源构造云制造任务的生产链,并求解最优生产路径;
其中,按照加工类型对云制造任务进行任务分解,所述制造工序包括核心工序,根据核心工序进行云平台制造资源的匹配,包括:
获取各制造资源在制造资源分布的地理位置数据;
匹配对应核心工序的制造资源;
以各核心工序制造资源地理位置为中心,确定预设可接受范围内的待筛选制造资源区域;
响应于待筛选制造资源区域内对应云制造任务的各子任务分别至少有一制造资源,则获取并记录相应待筛选制造资源区域内的对应各子任务的制造资源数据;
所述基于各制造资源区域及其内的制造资源构造云制造任务的生产链,并求解最优生产路径,利用基于仿生调节机制的智能算法,包括;
假设全部制造资源区域构造的生产链有n种,云制造任务的子任务有N个,则所述最优生产路径求解包括:
对由n种针对云制造任务的不同分配方案所组成的组合解群体在N维空间进行搜索;
根据生物激素调节机制,对组合解的搜索速度公式进行改进,依据莱维飞行准则对组合解的位置公式进行改进,进而由资源组合更新公式对组合解进行更新,确定每个新组合解的速度和位置;
采用满足工期要求的最小化成本的适应度函数计算新组合解的适应度,进而更新组合解的个体最优组合和种群最优组合;
当满足预设的迭代终止条件时,求得种群最优解,输出相应的最优资源分配方案;
在第K次进化迭代中,组合解群体的编码信息的更新表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030547.5A CN110751411B (zh) | 2019-10-28 | 2019-10-28 | 一种面向云制造任务的制造资源匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030547.5A CN110751411B (zh) | 2019-10-28 | 2019-10-28 | 一种面向云制造任务的制造资源匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751411A CN110751411A (zh) | 2020-02-04 |
CN110751411B true CN110751411B (zh) | 2023-04-07 |
Family
ID=69280433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030547.5A Active CN110751411B (zh) | 2019-10-28 | 2019-10-28 | 一种面向云制造任务的制造资源匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751411B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950855A (zh) * | 2020-07-15 | 2020-11-17 | 武汉科技大学 | 基于能值再制造工艺的经济与环境一体化决策模型 |
CN111932106B (zh) * | 2020-08-05 | 2022-06-28 | 山东科技大学 | 一种有效实用的云制造任务与服务资源匹配方法 |
CN113034038A (zh) * | 2020-10-24 | 2021-06-25 | 陈龙龙 | 基于化妆品的生产设备状态调整方法及人工智能云平台 |
CN113032155B (zh) * | 2021-05-25 | 2021-08-24 | 深圳大学 | 一种时空数据可视化任务驱动的云边端资源协同调度方法 |
CN113283785A (zh) * | 2021-06-09 | 2021-08-20 | 广东工业大学 | 一种多任务制造资源的协同调度优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093311A (zh) * | 2013-01-15 | 2013-05-08 | 西北工业大学 | 基于不等量二分法的开放车间调度问题关键操作识别方法 |
CN106251031A (zh) * | 2016-05-18 | 2016-12-21 | 河海大学常州校区 | 一种基于生物启发的改进型粒子群优化算法 |
CN106611230A (zh) * | 2015-12-14 | 2017-05-03 | 四川用联信息技术有限公司 | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 |
CN110059942A (zh) * | 2019-04-02 | 2019-07-26 | 南京邮电大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303815A1 (en) * | 2018-03-29 | 2019-10-03 | Sap Se | Distributed manufacturing system |
-
2019
- 2019-10-28 CN CN201911030547.5A patent/CN110751411B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093311A (zh) * | 2013-01-15 | 2013-05-08 | 西北工业大学 | 基于不等量二分法的开放车间调度问题关键操作识别方法 |
CN106611230A (zh) * | 2015-12-14 | 2017-05-03 | 四川用联信息技术有限公司 | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 |
CN106251031A (zh) * | 2016-05-18 | 2016-12-21 | 河海大学常州校区 | 一种基于生物启发的改进型粒子群优化算法 |
CN110059942A (zh) * | 2019-04-02 | 2019-07-26 | 南京邮电大学 | 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 |
Non-Patent Citations (4)
Title |
---|
"Solutions to No-Wait Flow Shop Scheduling Problem Using the Flower Pollination Algorithm Based on the Hormone Modulation Mechanism";Chiwen Qu等;《Comloexity》;Hindawi-Wiley;20181231;第2018年卷;第1-18页 * |
"产业集群负荷均衡效应与实现";陈望;《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》;20111215;第2011年卷(第S2期);第5章,具体参见第47、50页 * |
"基于改进型粒子群的作业车间调度问题研究";顾文斌等;《机械设计与制造工程》;20170115;第46卷(第1期);第11-14页 * |
许国根等."布谷鸟搜索算法".《最优化方法及其MATLAB实现》.北京航空航天大学出版社,2018,第422-423页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110751411A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751411B (zh) | 一种面向云制造任务的制造资源匹配方法 | |
Nguyen et al. | Genetic programming for production scheduling: a survey with a unified framework | |
Xu et al. | Multi-objective artificial bee colony algorithm for multi-stage resource leveling problem in sharing logistics network | |
Barak et al. | Energy-efficient multi-objective flexible manufacturing scheduling | |
Şahman | A discrete spotted hyena optimizer for solving distributed job shop scheduling problems | |
CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
He et al. | Two-stage stochastic programming model for generating container yard template under uncertainty and traffic congestion | |
Ning et al. | An improved quantum genetic algorithm based on MAGTD for dynamic FJSP | |
Fu et al. | A new model for solving time-cost-quality trade-off problems in construction | |
CN112990515A (zh) | 一种基于启发式优化算法的车间资源调度方法 | |
CN109559033B (zh) | 一种面向云设计制造模式的社交化团队成员优选方法 | |
CN110837918A (zh) | 一种多层集成调度机制 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
CN111160717A (zh) | 一种企业创新潜力评估方法和装置 | |
Ehtesham Rasi | Optimization of the multi-objective flexible job shop scheduling model by applying NSGAII and NRGA algorithms | |
CN110858355A (zh) | 项目预算结余预测方法及装置 | |
US8185227B2 (en) | Method and system for determining manufacturing throughput target | |
Shen et al. | Coevolutionary scheduling of dynamic software project considering the new skill learning | |
CN117952397B (zh) | 物流订单分析方法、装置、设备及存储介质 | |
CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及系统 | |
CN115249166B (zh) | 出清电价预测方法、装置、计算机设备和存储介质 | |
Rezaeian et al. | Uniform Parallel Machines Scheduling with Setup Time, Learning Effect, Machine Idle Time, and Processing Set Restrictions to Minimize Earliness/Tardiness Costs | |
Yang et al. | Optimal number and scheduling of freeway bus fleet |
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 |