CN112801387B - 一种基于改进遗传算法的云制造服务组合优化方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的云制造服务组合优化方法，根据用户请求，在云制造服务组合的QoS评估模型的基础上，通过综合任务的执行时间和执行成本,结合服务配置度,组合协同度和组合熵等目标函数,建立了云制造服务组合优化的数学模型,应用改进的遗传算法进行搜索，为云制造服务组合优化问题提供了多目标优化解决方案。本发明能够使初始种群保持较好的稳定性，在算法的早期，采用双点交叉操作来扩展搜索空间，提高种群基因多样性。在算法的后期，采用单点交叉操作，加速收敛，减少搜索时间，从而更好地避免陷入局部最优问题。

Description

一种基于改进遗传算法的云制造服务组合优化方法

技术领域

本发明属于云制造服务领域，具体涉及一种基于改进遗传算法的云制造服务 组合优化方法。

背景技术

云制造是一种新的面向服务的制造模式，通过各种制造资源和制造能力的 虚拟化和服务化，它为用户提供了各种制造资源，这些资源可以在任何时候被访 问，并以云服务的形式付费。为了满足客户复杂的制造需求，可通过服务组合将 细粒度的简单云服务合并成粗粒度的复杂云服务。复杂的云服务在分布式、异构 和自治的环境中执行，以完成高度不确定性和动态性的制造任务。选择最佳的云 服务组合以成功执行制造任务是在云制造环境中实现资源增值的关键问题之一。

云制造服务组合优化是一个典型的NP难题，具有多极值、非线性、多目标、 不确定性等特点。它已成为云制造领域研究的热点；许多学者对这样一个NP难 题进行了研究。他们研究了服务组合建模和优化算法来解决成本、时间、利润等 功能服务质量参数的优化问题，却很少考虑非功能性服务质量参数对云制造服务 组合的影响。云制造的实现是一个协同过程，需要多个分布式制造资源共同参与。 每个云制造服务执行代理都处于一定的社会关系中，而不是理想化的“刚体”。 在制造过程中，云制造服务之间进行不同的数据交换、信息传输和物料运输。它 们在整个制造生命周期中进行约束、协作和竞争。云制造服务与制造任务之间的 关系以及每两个云制造服务之间的关系直接影响着服务组合在执行制造任务中 的效率。在云制造环境中，定制化的产品制造满足个人需求是正常的情况，这往 往需要客户和云制造服务提供商的协同参与。云制造服务组合需要满足传统产品 交付时间和制造成本的要求。另外，制造任务与云服务的搭配程度、制造过程中 云制造服务的协同程度、制造资源状态变化的复杂性对定制化产品制造任务的完 成有显著影响。因此，有必要以服务配置度、服务组合协同度、服务组合复杂度 为优化因素，对云制造服务组合进行优化。

发明内容

发明目的：本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于 改进遗传算法的云制造服务组合优化方法。

发明内容：本发明提出一种基于改进遗传算法的云制造服务组合优化方法， 具体包括以下步骤：

(1)根据用户请求，在云制造服务组合的QoS评估模型的基础上，通过综 合任务的执行时间和执行成本，结合服务配置度、组合协同度和组合熵，建立多 目标云制造服务组合优化的数学模型；

(2)应用改进的遗传算法进行搜索，为云制造服务组合优化问题提供多目 标优化解决方案；所述改进的遗传算法为通过引入正态云模型理论和分段函数改 进交叉算子和变异算子，并采用改进的轮盘赌选择方法进行选择操作，将欧几里 得偏差与角偏差相结合，设计了改进后的遗传算法的适合度函数；

(3)获取云制造最优服务组合。

进一步地，步骤(1)所述服务配置度矩阵计算如下：

其中CD_ij＝α*TF_ij+β*HF_ij+γ*DF_ij；CD_ij(1≤i≤N,1≤j≤m)表示第i个云 制造服务完成第j个制造任务的服务；α，β，γ是相应因子的权重系数，且α +β+γ＝1；

TF为技术因子，用于描述N个云服务完成制造任务的技术能力，技术矩阵 TF＝(TF_ij)_N*m，其中TF_ij(1≤i≤N,1≤j≤m)表示第i个云服务完成第j个制造任 务的技术能力度量，TF_ij的值由向量[0,0.1，…，1]的秩表示；

HF为饥饿因子，用于描述云制造服务承担和完成第j个制造任务的期望水 平，表示为HF_ij；饥饿因子HF_ij值通过制造资源空置率计算，即HF＝(HF_ij)_N*m， 其中HF_ij(1≤i≤N,1≤j≤m)表示第i个云服务完成第j个制造任务的饥饿程度， HF_ij的取值范围HF_ij∈[0,1]，即0≤HF_ij≤1；

DF为距离因子，用于描述云制造服务映射的客户与制造资源之间的相对距 离对服务配置度的影响，表示为DF_ij。

进一步地，步骤(1)所述的组合协同度计算如下：

其中，T_ij为两个云制造服务S_i和S_j协同完成两个制造任务j_i和j_j所花费的总时间；T_i是云制造服务S_i独立完成制造任务J_i所花费的时间；T_j是云制造服务S_j独立 完成制造任务J_j的时间。

进一步地，步骤(2)所述正态云模型包含突变概率和交叉概率；所述交叉 概率初始阶段P_c的公式如下：

其中，标准差(StaDev)＝rand(n)*HypEnt+CloEnt；云熵

τ₁是交叉算子的云熵控制系数；期望值

是种群的平均适应度值；超熵(HypEnt)＝CloEnt/τ₂，τ₂是交叉算子的超熵控制 系数；P_cmax为种群的最大交叉概率；P_cmin为种群的最小交叉概率；P_mmax为最大 变异概率，P_mmin为最小变异概率；φ是变异个体的适应度值；φ_max是种群的最大 适应度值；φ_min是种群的最小适应度值；

是种群的平均适应度值；φ'是两个交 叉个体的适应度值较大的一个；

所述交叉概率变异阶段P_m的公式如下：

其中，(StaDev)＝rand(n)*HypEnt+CloEnt；

τ₃是变异算子的云熵控制系数；HypEnt＝CloEnt/τ₄，τ₄是变异算子的超熵控制系数。

进一步地，步骤(2)所述改进的轮盘赌选择法包括以下步骤：

1)每个个体的选择概率通过适应度函数计算在由Popsize个个体组成的种 群中，第i个个体的选择概率计算如下：

其中，f(i)是第i个个体的适应度函数值；

2)根据上述选择概率，用轮盘赌选择法挑选个体u，放入种群中，根据以 下公式判断P_u，并给个体u一个新的概率：

其中，u是一个整数，且u∈[1,Popsize]；

3)进行交叉概率和变异概率计算

4)若挑选的个体数量达到种群规模，转到步骤4)；否则，转到步骤1)；

5)保存所有新选择的个体，返回优化后结果。

进一步地，步骤(2)所述的改进后的遗传算法采用理想点法计算适应度函 数，确定理想点的方法主要有两种：一是通过单目标优化来计算每个目标函数的 最优值，形成理想值；二是通过云服务用户指定理想值。

有益效果：与现有技术相比，本发明的有益效果：1、本发明在制造任务执 行时间和执行成本的约束下,结合服务配置度,组合协同度和组合熵的目标函数, 建立了云制造服务组合优化的数学模型,为云制造服务组合优化问题提供了多目 标优化解决方案；2、本发明提出的改进后的遗传算法借助了正态云模型理论和 分段函数，改善了初始阶段的随机性，抑制了算法的早熟，有利于形成更全面地 解空间；改进后的遗传算法结合了欧几里得偏差和角偏差,从而克服了目标函数 值之间度量标准不一致的问题,这样的分析可以更全面反映服务组合方案的目标 函数所表示的内容差异以及与理想点向量的维数值的接近程度。改进后的云制造 服务组合方案能够更好地满足用户的复杂需求。

附图说明

图1为本发明的流程图；

图2为MC型轮式清洁机器人的云制造服务最优个体适应度演化曲线图；

图3为MC型轮式清洁机器人的云制造服务服务配置度随种群迭代数的演化 曲线图；

图4为MC型轮式清洁机器人的云制造服务组合协同度随着种群迭代数的演 化曲线图；

图5为MC型轮式清洁机器人的云制造服务组合熵随着种群迭代数的演化曲 线图。

具体实施方式

下面结合附图，对本发明的技术方案进行清晰、完整地描述。

本发明提供一种基于改进遗传算法的云制造服务组合优化方法，根据用户请 求，在云制造服务组合的QoS评估模型的基础上，通过综合任务的执行时间和执 行成本,结合服务配置度,组合协同度和组合熵等目标函数,建立了云制造服务组 合优化的数学模型,应用改进的遗传算法进行搜索，为云制造服务组合优化问题 提供了多目标优化解决方案，如图1所示，具体包括以下步骤：

步骤1：根据用户请求，在云制造服务组合的QoS评估模型的基础上，通过 综合任务的执行时间和执行成本，结合服务配置度、组合协同度和组合熵，建立 多目标云制造服务组合优化的数学模型。

假设一个复杂的制造任务J可以分解为m个制造子任务，即J＝{J₁,J₂,...J_m}。 在云资源池中，将几个适当的云服务组合在一起来协作完成制造任务。每个制造 子任务对应一个云服务集，表示为S₁，S₂，...，S_m。服务集中包含的云服务数量分别 为b₁，b₂，...，b_m。个集合中所包含的云服务总数N＝∑b_i。第i个云服务集被表示为

将m个制造任务分配给N个云服务中最合适的服务，以便 协同完成。

服务配置度(CD)是衡量云制造服务与分配的制造任务之间适宜性的定量指 标。影响云制造服务对制造任务配置度的因素有很多,如云制造服务执行的相似 制造任务总数,一段时间内云制造的活动水平,云制造服务所映射的制造资源与 所服务对象之间的距离,设备状态,综合制造能力、服务质量、制造资源的闲置程 度等。根据影响因子的特点，将影响服务配置的因子归纳为技术因子TF_ij、饥饿 因子HF_ij和距离因素DF_ij，服务配置度矩阵计算如下：

其中CD_ij＝α*TF_ij+β*HF_ij+γ*DF_ij；CD_ij(1≤i≤N,1≤j≤m)表示第i个云 制造服务完成第j个制造任务的服务。

配置度：α，β，γ是相应因子的权重系数，且α+β+γ＝1。

其技术因子(TF)主要通过参考一段时间内完成的类似制造任务的累计数量、 服务执行率、服务质量、设备性能等评估。

饥饿因子(HF)用来描述云制造服务承担和完成第j个制造任务的期望水平。 它表示为HF_ij。制造资源空置率是指未承担制造任务的可用制造资源数量占制造 资源总量的比例。饥饿度与云制造服务映射的制造资源空置率密切相关。制造资 源空置率越高，制造任务需求越强烈，云制造服务的饥饿因子越大。饥饿因子HF_ij值可以通过制造资源空置率来计算。因此，可以构造饥饿因子矩阵，即 HF＝(HF_ij)_N*m，其中HF_ij(1≤i≤N,1≤j≤m)表示第i个云服务完成第j个制造任务 的饥饿程度。HF_ij的取值范围HF_ij∈[0,1]，即0≤HF_ij≤1。

距离因子(DF)用来描述云制造服务映射的客户与制造资源之间的相对距 离对服务配置度的影响。它表示为DF_ij。例如，如果云制造资源不在客户所在城 市，则DF_ij＝0.4；如果云制造资源在客户所在城市，则DF_ij＝0.8；如果云制造资 源在客户的企业中，则DE_ij＝1。客户与制造资源的相对距离越大，距离因子越小。 否则，距离因子越大。

组合协同度(SD)是对多个云制造服务协同完成复杂制造任务的定量度量。 两个云制造服务之间的高度协同，有利于便捷的信息交互和顺畅的物料运输。它 有助于顺利地完成制造任务，缩短执行时间。相反，协同度低阻碍了两个云制造 服务之间的信息交换和物料传递顺畅，导致产品交付延迟和制造成本增加。组合 协同度可以通过云制造服务完成制造任务的时间来衡量。例如，用于制造任务J_i的云制造服务S_i与用于制造任务J_j的云制造服务S_j的组合协同度计算如下：

其中，T_ij为两个云制造服务S_i和S_j协同完成两个制造任务J_i和J_j所花费的总 时间，T_i是云制造服务S_i独立完成制造任务J_i所花费的时间；T_j是云制造服务S_j独立完成制造任务J_j的时间。复杂制造任务中每两个制造子任务之间的关系对总 执行时间有很大影响。由多个独立子任务组成的复杂制造任务的总执行时间相对 容易。如果任务J_i和J_j是独立并行的，那么总执行时间

如果任务 J_i和J_j是独立且有序的，那么总执行时间T_ij＝T_i+T_j。包含交互耦合关系的复杂制 造任务的总执行时间的计算比较困难。如果是云制造服务S_i独立完成制造任务J_i所花费的时间，T_j是云制造服务S_j独立完成制造任务J_j所花费的时间，当它们之 间存在交互耦合关系时,复杂的制造任务的总执行时间可以计算如下：

其中，ζ_ij为制造任务J_i和J_j的交互耦合系数，取值范围[-1,1]，ζ_ij受先前合 作的频率和水平、服务交互和材料运输等因素的影响；先前合作的频率和水平越 高，服务交互和材料运输的顺畅性越好，系数ζ_ij越小；否则，系数ζ_ij越大。基 于以上分析，可以建立如下云制造服务组合协同度矩阵：

其中，SD_ij表示云制造服务S_i与S_j之间的组合协同度。

组合熵(CE)是云制造服务组合复杂性和有序性的定量度量。有序简单的云 制造服务组合的组合熵小于无序复杂的云制造服务组合的组合熵。简单有序的云 制造服务组合对制造任务的成功完成具有更大的确定性，云制造服务组合熵计算 如下：

其中,ST_ij为第i个云制造服务处于第j个状态的时间，TT_i是第i个云制造服 务完成相应制造任务的总时间，N是服务组合方案中云制造服务的总数，Q_i是第 i个云制造服务的总状态数，CE_i是第i个云制造服务的组合熵，CE_sum是服务组合 方案的总组合熵，CE_sum可以用来测量服务组合方案的复杂度。在云制造活动中， 将零件第一道工序的开始工作节点时间作为零件加工的开始时间，将零件最后一 道工序的结束工作节点时间作为零件加工的结束时间。将服务的第一次操作的开 始工作节点时间作为服务执行的开始时间，将服务的最后一次操作的完成工作节 点时间作为服务执行的结束时间。

步骤2：应用改进的遗传算法进行搜索，为云制造服务组合优化问题提供多 目标优化解决方案。改进的遗传算法为通过引入正态云模型理论和分段函数改进 交叉算子和变异算子，并采用改进的轮盘赌选择方法进行选择操作，将欧几里得 偏差与角偏差相结合，设计了改进后的遗传算法的适合度函数。

而对于改进遗传算法，使用正态云模型和分段函数来改进传统的选择算子、 交叉算子和变异算子。针对云制造服务组合中的多目标优化模型，设计了一种基 于熵的改进遗传算法(IGABE)，正态云模型是一个遵循正态分布规律且趋势稳 定的随机数集。它由四个主要参数来描述:期望值ExpVal、云熵CloEnt、标准差 StaDev和超熵HypEnt。正态云模型中的云粒子是随机生成的，其分布趋于稳定， 因此IGABE算法根据正态云模型中云粒子的特殊属性改进了变异算子和交叉算 子。在IGABE算法的初始阶段，采用较大的变异概率和交叉概率来提高优势个体 的突出率，在IGABE算法的最后阶段，采用较小的变异概率和交叉概率来保持种 群中的优势个体，以加速全局收敛。

其交叉概率初始阶段Pc的公式如下：

其中，标准差(StaDev)＝rand(n)*HypEnt+CloEnt；云熵

τ₁是交叉算子的云熵控制系数；期望值

是种群的平均适应度值；超熵(HypEnt)＝CloEnt/τ₂，τ₂是交叉算子的超熵控制 系数；

其交叉概率变异阶段Pm的公式如下：

其中StaDev＝rand(n)*HypEnt；

τ₃是变异算子的云熵控制系数；

HypEnt＝CloEnt/τ₄,τ₄是变异算子的超熵控制系数；

变异概率P_m和交叉概率P_c公式中，P_cmax为种群的最大交叉概率；P_cmin为 种群的最小交叉概率；P_mmax为最大变异概率，P_mmax为最小变异概率；φ是变异 个体的适应度值；φ_max是种群的最大适应度值；φ_min是种群的最小适应度值；

是种群的平均适应度值；φ'是两个交叉个体的适应度值较大的一个。η₁，…,η₄∈[0,1]，给定η₁＝η₃＝0.4,η₂＝η₄＝0.8，从上述的分析可知，交叉概率P_c和变 异概率P_m在算法开始时都有较大的值，随着迭代次数的增加，它们的值逐渐减 小。一方面，IGABE算法提高了适应度低的个体参与突变和交叉活动的机会，使 种群中的个体具有多样性和代表性。另一方面，IGABE算法保护了适应度值较高的个体，在算法的后期，较优的个体被赋予较小的变异概率和交叉概率。

正态云模型标准差StaEnt主要受云熵CloEnt和超熵HypEnt的影响。垂直度 由CloEnt控制。正态云模型的平均值反应在ExpVal中。模型中的云粒子围绕 ExpVal上下波动。云粒子的波动状态是离散性的体现。云粒子的离散程度主要 由超熵决定。正态云模型的随机性随超熵的增加而增加，稳定性随超熵的减少而 增加。τ₁是交叉算子的云熵控制系数；τ₂是交叉算子的超熵控制系数；τ₃是变异 算子的云熵控制系数；τ₄是变异算子的超熵控制系数。τ₁，…,τ₄∈[0.1,10]。 设τ₁＝τ₃＝0.8,τ₂＝τ₄＝0.4。τ₁和τ₃影响正态云模型的垂直度。τ₁和τ₃越大，垂 直度越大，交叉和变异操作的搜索范围就越小；τ₁和τ₃越小，垂直度越小，交叉 和变异操作的搜索范围就越大。τ₂和τ₄影响正态云模型的随机性。τ₂和τ₄越大， 正态云模型的随机性越小；τ₂和τ₄越小，正态云模型的随机性越大。IGABE算法 借助正态云模型，改善了初始阶段的随机性，抑制了算法的早熟，有利于形成更 全面的解空间。

在进行交叉操作时，采用双点交叉和单点交叉混合交叉方式；在算法的早 期，采用双点交叉操作来扩展搜索空间，提高种群基因的多样性；在算法的后期， 采用单点交叉操作，提高算法的收敛性，降低云制造任务执行时间。

改进的轮盘赌选择法包括以下步骤：

1)每个个体的选择概率通过适应度函数计算在由Popsize(种群规模数) 个个体组成的种群中，第i个个体的选择概率计算如下：

其中，f(i)是第i个个体的适应度函数值。

2)根据上述选择概率，用轮盘赌选择法挑选个体u，放入种群中，根据以 下公式判断P_u，并给个体u一个新的概率：

其中u是一个整数，且u∈[1,Popsize]。

3)进行交叉概率和变异概率计算。

4)若挑选的个体数量达到种群规模，转到步骤4；否则，转到步骤1。

5)保存所有新选择的个体，返回优化后结果。

改进后的遗传算法采用理想点法计算适应度函数，确定理想点的方法主要有 两种：一是通过单目标优化来计算每个目标函数的最优值，形成理想值；二是通 过云服务用户指定理想值。

采用理想点法设计适应度函数，改进的遗传算法将用户期望定义为云制造服 务组合目标函数的理想点。判断服务组合方案好坏的标准是欧几里德偏差(ED) 和角偏差(AD)。ED是指理想点与目标函数值之间的欧氏距离。AD是指目标函数 值向量Y与理想点向量Y^*之间的角度。ED和AD越小，服务组合方案越好；ED 和AD越大，服务组合方案越差。欧几里得偏差计算公式如下：

其中，

是理想点的第j个目标函数值，Y_j是云制造服务组合方案的第j个 目标函数值，k表示云制造服务组合方案中有k个目标函数；当k＝3时，

角偏差计算公式如下：

当k＝3时，

欧几里德偏差可以反映服务组合目标函数的个别数值特征的绝对差异，角偏 差主要区别于方向上的差异，但对目标函数的绝对值不敏感。改进后的遗传算法 结合了欧几里得偏差和角偏差,从而克服了目标函数值之间度量标准不一致的问 题,这样的分析可以更全面反映服务组合方案的目标函数所表示的内容差异以及 与理想点向量的维数值的接近程度；改进后的云制造服务组合方案能够更好地满 足用户的复杂需求。

如图2至图5所示，本发明具有更快的收敛速度和更短的求解时间,克服了 目标函数值之间度量标准不一致的问题,所得到的最优服务组合方案能够更好地 满足用户的复杂需求。本发明通过通过与标准遗传算法(SGA)、混合遗传算法(HGA) 和云熵增强遗传算法(CEGA)的比较，如表1所示，验证了所提出的云制造服务 组合优化模型的正确性和算法的有效性。

表1 MC型轮式清洁机器人制造任务优化结果对比

算法	运算时间	收敛代数	欧几里得偏差	角偏差
					本发明	13.26s	56	1.168	0.054rad
SGA	22.78s	94	1.259	0.057rad
					HGA	16.89s	71	1.126	0.066rad
CEGA	12.83s	54	1.126	0.066rad

研究结果表明，IGABE的收敛速度快于SGA和HGA，并且能够比CEGA更全面 地分析和反映服务组合方案目标函数所表示的内容差异及其对理想点向量相应 维数的近似程度。因此，IGABE算法得到的最优服务组合能更好地满足用户的复 杂需求。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本 发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员 来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分 技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同 替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于改进遗传算法的云制造服务组合优化方法，其特征在于，包括以下步骤：

(1)根据用户请求，在云制造服务组合的QoS评估模型的基础上，通过综合任务的执行时间和执行成本，结合服务配置度、组合协同度和组合熵，建立多目标云制造服务组合优化的数学模型；

(2)应用改进的遗传算法进行搜索，为云制造服务组合优化问题提供多目标优化解决方案；所述改进的遗传算法为通过引入正态云模型理论和分段函数改进交叉算子和变异算子，并采用改进的轮盘赌选择方法进行选择操作，将欧几里得偏差与角偏差相结合，设计了改进后的遗传算法的适合度函数；

(3)获取云制造最优服务组合；

步骤(2)所述正态云模型包含突变概率和交叉概率；所述交叉概率初始阶段P_c的公式如下：

其中，标准差StaDev＝rand(n)*HypEnt+CloEnt；云熵

τ₁是交叉算子的云熵控制系数；期望值

是种群的平均适应度值；超熵HypEnt＝CloEnt/τ₂，τ₂是交叉算子的超熵控制系数；P_cmax为种群的最大交叉概率；P_cmin为种群的最小交叉概率；P_mmax为最大变异概率，P_mmin为最小变异概率；φ是变异个体的适应度值；φ_max是种群的最大适应度值；φ_min是种群的最小适应度值；

是种群的平均适应度值；φ'是两个交叉个体的适应度值较大的一个；

所述交叉概率变异阶段P_m的公式如下：

其中，

τ₃是变异算子的云熵控制系数；

HypEnt＝CloEnt/τ₄，τ₄是变异算子的超熵控制系数；

步骤(2)所述改进的轮盘赌选择法包括以下步骤：

1)每个个体的选择概率通过适应度函数计算在由Popsize个个体组成的种群中，第i个个体的选择概率计算如下：

其中，f(i)是第i个个体的适应度函数值；

2)根据上述选择概率，用轮盘赌选择法挑选个体u，放入种群中，根据以下公式判断P_u，并给个体u一个新的概率：

其中，u是一个整数，且u∈[1,Popsize]；

3)进行交叉概率和变异概率计算

4)若挑选的个体数量达到种群规模，转到步骤4)；否则，转到步骤1)；

5)保存所有新选择的个体，返回优化后结果；

步骤(2)所述的改进后的遗传算法采用理想点法计算适应度函数，确定理想点的方法主要有两种：一是通过单目标优化来计算每个目标函数的最优值，形成理想值；二是通过云服务用户指定理想值。

2.根据权利要求1所述的基于改进遗传算法的云制造服务组合优化方法，其特征在于，步骤(1)所述服务配置度矩阵计算如下：

其中CD_ij＝α*TF_ij+β*HF_ij+γ*DF_ij；CD_ij表示第i个云制造服务完成第j个制造任务的服务；α，β，γ是相应因子的权重系数，且α+β+γ＝1；

TF为技术因子，用于描述N个云服务完成制造任务的技术能力，技术矩阵TF＝(TF_ij)_N*m，其中TF_ij表示第i个云服务完成第j个制造任务的技术能力度量，TF_ij的值由向量[0,0.1，…，1]的秩表示；

HF为饥饿因子，用于描述云制造服务承担和完成第j个制造任务的期望水平，表示为HF_ij；饥饿因子HF_ij值通过制造资源空置率计算，即HF＝(HF_ij)_N*m，其中HF_ij表示第i个云服务完成第j个制造任务的饥饿程度，HF_ij的取值范围HF_ij∈[0,1]，即0≤HF_ij≤1；

DF为距离因子，用于描述云制造服务映射的客户与制造资源之间的相对距离对服务配置度的影响，表示为DF_ij。

3.根据权利要求1所述的基于改进遗传算法的云制造服务组合优化方法，其特征在于，步骤(1)所述的组合协同度计算如下：

其中，T_ij为两个云制造服务S_i和S_j协同完成两个制造任务j_i和j_j所花费的总时间；T_i是云制造服务S_i独立完成制造任务J_i所花费的时间；T_j是云制造服务S_j独立完成制造任务J_j的时间。

Images