CN112651483A - 一种面向大规模多批次任务协同的云制造服务组合优化方法 - Google Patents

Abstract

本发明涉及一种面向大规模多批次任务协同的云制造服务组合优化方法，本发明通过基于多种改进的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化，以优化后的大规模多批次任务协同组合模型来解决面向大规模多批次任务协同的云制造服务组合优化问题，本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强，提高了求解的准确性；同时以生产时间为优化目标，实现了云制造环境下，大规模多批次任务协同的服务组合优化，缩短了整个任务生产时间。

Description

一种面向大规模多批次任务协同的云制造服务组合优化方法

技术领域

本发明涉及群智能优化技术领域，尤其涉及一种面向大规模多批次任务协同的云制造服务组合优化方法。

背景技术

云制造系统汇集了大量的制造任务需求和服务资源，制造任务和资源的规模化、分散性、异构性导致云制造服务组合的应用场景不断产生变化。相比于传统的制造任务模式，多批次协同执行的制造任务模式在缩短生产加工周期以及操作管理便捷性等方面具有更好的表现。然而，在云制造大批次任务执行过程中，需要转移的子批次总数是巨大的，因此加工时间久。为了有效地缩短生产时间，节约人力物力的消耗，争取较大的降价空间，进而为企业在紧张而激烈的市场竞争下提升自身的竞争力。在大规模多批次任务协同执行的生产制造模式背景下，以云制造中最为经典之一的生产时间为优化目标，就如何使得整个任务加工总耗时最短展开研究。

制造厂商往往需要处理大量来自客户的生产订单(例如，需要生产2000台汽车)。为了尽可能地缩短完工时间，在任务执行过程中，云平台需要将任务分解为多个子批次，每个子批次任务对应批次任务中的一组零件加工任务，这些零件在一台机器上进行加工，然后在剩余的部分完成之前转移到下一台机器上。因此，云平台需要在有限时间内处理大量的批次制造任务需求。在此类多批次任务背景下，传统的服务组合方法难以适用，必须研究面向多批次制造任务的服务组合方法加以解决。传统的服务组合方法针对每个任务需求，都将执行一次优选过程，并寻找最优的组合方案，且完全以满足当前任务需求为目标。这往往导致较优的资源被先执行的服务组合用尽，导致后续任务的执行效率和质量无法得到满足，从而很难保证多批次任务需求得到较好地处理，也难以保证有限的制造资源在多批次制造任务需求之间得到全局最优分配。基于以上分析，对上述问题进行建模，提出云制造服务组合模型(Multi-Module Subtasks Collaborative Execution for CloudManufacturing Service Composition，MMSCE-CMSC)，在此基础上，提出了一种基于多种改进策略的人工蜂群算法(Multiple Improvement Strategies based Artificial BeeColony Algorithm，MISABC)。在MMSCE-CMSC中，传统的人工蜂群算法(Artificial BeeColony Algorithm，ABC)难以获得稳定的最优解。因此，本专利尝试通过引入几种改进策略来提高ABC的全局搜索能力和寻优精度，以实现面向大规模多批次任务协同的云制造服务组合优化。

发明内容

本发明为克服上述的不足之处，目的在于提供一种面向大规模多批次任务协同的云制造服务组合优化方法，本发明通过基于多种改进的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化，以优化后的大规模多批次任务协同组合模型来解决面向大规模多批次任务协同的云制造服务组合优化问题，本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强，提高了求解的准确性；同时以生产时间为优化目标，实现了云制造环境下，大规模多批次任务协同的服务组合优化，缩短了整个任务生产时间。

本发明是通过以下技术方案达到上述目的：一种面向大规模多批次任务协同的云制造服务组合优化方法，包括如下步骤：

(1)首先将制造任务Task(T)划分为若干个子任务，在云平台选取多个候选云服务并组成候选云服务集，建立面向云制造服务组合的大规模多批次任务协同组合模型；

(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化；

(3)利用步骤(2)优化后的大规模多批次任务协同组合模型，解决大规模多批次任务协同服务的组合优化问题，完成云制造服务组合的优化。

作为优选，所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下：

(i)制造任务：Task(T)；

(ii)子任务集：SbT＝{sbt₁,sbt₂,…sbt_i,…,sbt_n}，n为子任务数量；

(iii)候选云服务集：

RCSS_i为第i个子任务对应的候选云服务集，k_i是对应的云服务总数；

(iv)服务组合方案：

表示执行第i个子任务所有的组合方案数量；

(v)优化目标：以制造时间为优化目标，在多批次任务协同执行的情况下，要使得整个任务制造时间最短，只需缩短耗时最长的批次任务的完成时间即可；故目标函数设为：

其中T_F是对应批次的完成时间，η是子任务中的批次数量。

作为优选，所述在步骤(2)中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题，通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度，包括利用差分进化策略使算法快速收敛到全局最优；利用三角因子振荡策略，促使蜂群跳出局部最优，逼近全局最优解；利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛，避免陷入局部最优。

作为优选，所述基于多种改进策略的人工蜂群算法的步骤如下：

1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；

2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索；

3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索；判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解。

作为优选，所述在步骤1)中，利用块编码的方式设定多种改进策略的人工蜂群算法的参数：蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间；并且在解空间随机产生初始解X_i(i＝1，2,…,NP),计算其适应度值：即

它表示第g代种群的第d个个体,且

表示第i级的第k个基因位。

作为优选，所述步骤2)中，利用差分进化策略和异维学习策略，为雇佣蜂提供了更多的学习机会，避免了单一维度寻优的问题，从而大大提高了雇佣蜂的全局搜索能力；此外，通过引入三角因子振荡策略、全局精英解和自适应权重因子，可以进一步提高雇佣蜂的全局搜索能力；利用全局精英解，可以有效地将当前种群的搜索方向向更好的解靠近；此外，自适应权重因子可以动态调整步长；在迭代初期，权重因子被用来扩展搜索空间，而在后期，它使个体进行精细搜索并收敛到最优位置；此处雇佣蜂按如下公式搜索新解：

其中,cos(λ)为三角振荡因子，且λ是在[3.14，π]范围内的一个随机数，r,r₁,r₃∈{1,2，…，NP},且r≠r₁≠r₂,F＝2，K₁，K₂，K₃∈{1,2，…，D}，且K₁≠K₂≠K₃,ξ为自适应权重因子且ξ＝(maxCycle-iter)/maxCycle，φ是在[-1,1]范围内的一个随机数，x_ge是全局精英解；

在观察蜂阶段，引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点，使得观察蜂在迭代初期获得更多的食物源，从而避免后期过度开发；并且在观察蜂阶段，使用差分进化策略和异维学习策略来寻找新的食物源；此处观察蜂按照如下公式产生新解,并计算其适应度值；

其中，γ服从均值为0，标准差为0.5的高斯分布，其余参数和雇佣蜂相同。

作为优选，所述步骤3)中，在侦查蜂阶段，引入一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂；具体地说，即设置一个控制参数ε值为10^-5作为阈值，如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化，侦查蜂将采用公式

进行搜索，各参数与上述式子相同，一旦达到算法的终止条件，输出最后的结果。

本发明的有益效果在于：(1)本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强，提高了求解的准确性；(2)本发明以生产时间为优化目标，实现了云制造环境下，大规模多批次任务协同的服务组合优化，缩短了整个任务生产时间。

附图说明

图1是本发明的方法流程示意图；

图2是本发明的基于多种改进策略的人工蜂群算法流程示意图；

图3是本发明实施例的块编码方式示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：如图1所示，一种面向大规模多批次任务协同的云制造服务组合优化方法，具体如下：

(1)首先将制造任务Task(T)划分为若干个子任务，在云平台选取多个候选云服务并组成候选云服务集，建立面向云制造服务组合的大规模多批次任务协同组合模型；其中模型中的参数设置如下：

(i)制造任务：Task(T)；

(ii)子任务集：SbT＝{sbt₁,sbt₂,…sbt_i,…,sbt_n}，n为子任务数量；(iii)候选云服务集：

RCSS_i为第i个子任务对应的候选云服务集，k_i是对应的云服务总数；

(iv)服务组合方案：

表示执行第i个子任务所有的组合方案数量；

(v)优化目标：以制造时间为优化目标，在多批次任务协同执行的情况下，要使得整个任务制造时间最短，只需缩短耗时最长的批次任务的完成时间即可；故目标函数设为：

其中T_F是对应批次的完成时间，η是子任务中的批次数量。

(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化；其中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题，通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度，包括利用差分进化策略使算法快速收敛到全局最优；利用三角因子振荡策略，促使蜂群跳出局部最优，逼近全局最优解；利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛，避免陷入局部最优。

如图2所示，基于多种改进策略的人工蜂群算法具体包括：基于MISABC算法，对8个具有代表性的标准测试函数进行寻优，求解出它们的最小值，具体步骤如下：

1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；然后计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；。具体的，首先设定MISABC算法参数即设定初始化蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间,并且在解空间随机产生初始解X_i(i＝1，2,…,NP),计算其适应度值，整个算法采用块编码方式，如图3所示；即

它表示第g代种群的第d个个体(蜜蜂),且

表示第i级的第k个基因位。

2)雇佣蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经自适应高斯分布因子的变异策略改进后的搜索方程进行循环搜索。

在雇佣蜂阶段，由于经典ABC算法中雇佣蜂的全局搜索能力不强，使得蜜蜂之间的信息交互能力差从而造成资源浪费。因此，本发明利用DES和DDVLS策略，为雇佣蜂提供了更多的学习机会，避免了单一维度寻优的问题，从而大大提高了雇佣蜂的全局搜索能力。此外，通过引入TFOS、全局精英解(种群中的最优个体)和自适应权重因子，可以进一步提高雇佣蜂的全局搜索能力。有了TFOS，它可以保证蜜蜂不会陷入局部最优。同时，利用全局精英解，可以有效地将当前种群的搜索方向向更好的解靠近。此外，自适应权重因子可以动态调整步长。在迭代初期，权重因子被用来扩展搜索空间，而在后期，它使个体进行精细搜索并收敛到最优位置。此处雇佣蜂按公式

搜索新解。其中,cos(λ)为三角振荡因子，且λ是在[3.14，π]范围内的一个随机数，r,r₁,r₃∈{1,2，…，NP},且r≠r₁≠r₂,F＝2，K₁，K₂，K₃∈{1,2，…，D}，且K₁≠K₂≠K₃,ξ为自适应权重因子且ξ＝(maxCycle-iter)/maxCycle，φ是在[-1,1]范围内的一个随机数，x_ge是全局精英解。

在观察蜂阶段，经典ABC算法中，观察蜂往往由于过度开发而无法找到更好的解，特别是在迭代后期。为了避免这种情况，在观察蜂阶段引入了一种具有自适应GDS因子的变异策略来克服观察蜂的缺点，使得观察蜂在迭代初期获得更多的食物源，从而避免后期过度开发。此外，在观察蜂阶段，本发明仍然使用DES和DDVLS来寻找新的食物源。此处观察蜂按照公式

产生新解,并计算其适应度值。其中，γ服从均值为0，标准差为0.5的高斯分布，其余参数和雇佣蜂相同。

3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)改进后的搜索方程开始搜索。最后判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解。

由于侦察蜂的随机搜索行为是提高算法全局搜索能力的关键。但是，这种搜索行为只有当食物源没有在预设范围内得到进一步改善时，它才会被激活。在某些情况下，种群在局部最优解附近高度聚集，这可能导致解空间的停滞。为了确保解是否随着迭代而改进，此处引入了一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂。具体地说，即设置一个控制参数ε值为10^-5作为阈值，如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化，侦查蜂将采用公式

进行搜索，各参数与上述式子相同。如果某只雇佣蜂在其食物源邻域搜索次数iter达到控制参数limit时,仍然没有找到适应度值更高的新解,即放弃该食物源,随机初始化该雇佣蜂的位置。

本发明的基于多种改进策略的人工蜂群算法通过引入以下四种策略：(a)差分进化策略(DES)，(b)三角因子振荡策略(TFOS)，(c)异维学习策略(DDVLS)，(d)高斯分布策略(GDS)，使得原有的人工蜂群算法全局搜索能力增强，收敛速度加快，提高了解的精度，最后求得全局最优解，从而有效克服了人工蜂群算法的缺点，达到了对经典人工蜂群算法优化的效果。

(3)利用步骤(2)优化后的大规模多批次任务协同组合模型，解决大规模多批次任务协同服务的组合优化问题，完成云制造服务组合的优化。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (7)

1.一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于，包括如下步骤：

(1)首先将制造任务Task(T)划分为若干个子任务，在云平台选取多个候选云服务并组成候选云服务集，建立面向云制造服务组合的大规模多批次任务协同组合模型；

(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化；

(3)利用步骤(2)优化后的大规模多批次任务协同组合模型，解决大规模多批次任务协同服务的组合优化问题，完成云制造服务组合的优化。

2.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下：

(i)制造任务：Task(T)；

(ii)子任务集：SbT＝{sbt₁,sbt₂,…sbt_i,…,sbt_n}，n为子任务数量；

(iii)候选云服务集：

RCSS_i为第i个子任务对应的候选云服务集，k_i是对应的云服务总数；

(iv)服务组合方案：

表示执行第i个子任务所有的组合方案数量；

(v)优化目标：以制造时间为优化目标，在多批次任务协同执行的情况下，要使得整个任务制造时间最短，只需缩短耗时最长的批次任务的完成时间即可；故目标函数设为：

其中T_F是对应批次的完成时间，η是子任务中的批次数量。

3.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述在步骤(2)中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题，通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度，包括利用差分进化策略使算法快速收敛到全局最优；利用三角因子振荡策略，促使蜂群跳出局部最优，逼近全局最优解；利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛，避免陷入局部最优。

4.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述基于多种改进策略的人工蜂群算法的步骤如下：

1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；

2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索；

3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索；判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解。

5.根据权利要求4所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述在步骤1)中，利用块编码的方式设定多种改进策略的人工蜂群算法的参数：蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间；并且在解空间随机产生初始解X_i(i＝1，2,…,NP),计算其适应度值：即

它表示第g代种群的第d个个体,且

表示第i级的第k个基因位。

6.根据权利要求4所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述步骤2)中，利用差分进化策略和异维学习策略，为雇佣蜂提供了更多的学习机会，避免了单一维度寻优的问题，从而大大提高了雇佣蜂的全局搜索能力；此外，通过引入三角因子振荡策略、全局精英解和自适应权重因子，可以进一步提高雇佣蜂的全局搜索能力；利用全局精英解，可以有效地将当前种群的搜索方向向更好的解靠近；此外，自适应权重因子可以动态调整步长；在迭代初期，权重因子被用来扩展搜索空间，而在后期，它使个体进行精细搜索并收敛到最优位置；此处雇佣蜂按如下公式搜索新解：

其中,cos(λ)为三角振荡因子，且λ是在[3.14，π]范围内的一个随机数，r,r₁,r₃∈{1,2，…，NP},且r≠r₁≠r₂,F＝2，K₁，K₂，K₃∈{1,2，…，D}，且K₁≠K₂≠K₃,ξ为自适应权重因子且ξ＝(maxCycle-iter)/maxCycle，φ是在[-1,1]范围内的一个随机数，x_ge是全局精英解；

在观察蜂阶段，引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点，使得观察蜂在迭代初期获得更多的食物源，从而避免后期过度开发；并且在观察蜂阶段，使用差分进化策略和异维学习策略来寻找新的食物源；此处观察蜂按照如下公式产生新解,并计算其适应度值；

其中，γ服从均值为0，标准差为0.5的高斯分布，其余参数和雇佣蜂相同。

7.根据权利要求4所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述步骤3)中，在侦查蜂阶段，引入一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂；具体地说，即设置一个控制参数ε值为10^-5作为阈值，如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化，侦查蜂将采用公式

进行搜索，各参数与上述式子相同，一旦达到算法的终止条件，输出最后的结果。

Images