CN113033100B - 一种基于混合教学优化算法的云制造服务组合方法 - Google Patents

Abstract

本发明涉及一种基于混合教学优化算法的云制造服务组合方法。包括如下步骤：从公开数据集中选择服务s并初始化得到初始种群P；计算初始种群P中每个个体的QoS值并选出最优值F(P_best)和最优个体最优个体P_teacher；按比例分为种群A和种群B，并分别从群A和种群B中计算遴选出新个体组成子代个体；计算新个体的适应度值，选出最大适应度QoS’值与最优值F(P_best)进行比较，来更新服务组合方案；重复上述步骤，当达到预设最大迭代次数时停止，输出最优值F(P_best)，此时该最优值F(P_best)对应的个体为最优服务组合。实验表明，该方法对于提高大规模环境下的服务组合的解质量是非常有效的。

Description

一种基于混合教学优化算法的云制造服务组合方法

技术领域

本发明涉及云制造服务组合方法领域，特别涉及一种基于混合教学优化算法的云制造服务组合方法。

背景技术

如今，随着日益激烈的商业市场和用户需求的不断变化，对个性化产品的需求也在不断提升。但由于资源约束，企业之间可能会出现资源短缺或资源浪费现象，为了应对这些挑战，制造商需要通过共享其制造资源和技术能力来更有效地协作，以充分利用资源，避免资源浪费，并最终获得更高的用户满意度。云制造(Cloud manufacturing,CMfg)，作为一种新的面向服务的制造范式，皆在分布式制造资源和能力之间进行共享和协作并形成按需的资源分配。服务组合和优化选择(service composition and optimization selection,SCOS)被认为是实现CMfg系统资源和能力共享功能的关键技术，它将各种不同功能的单个资源服务按照一定的逻辑结构组合成为具有综合功能的服务来处理复杂的制造任务，同时保证综合服务的服务质量最大化，满足用户的需求。如何从所有的组合服务中找到最优或接近最优的服务组合来执行制造任务是一个挑战。

到目前为止，关于SCOS问题的研究方法有很多。Li等人用一种基于服务聚类网络的服务组合方法解决在云制造中静态和动态需求问题。Lu等人提出了在云制造环境中过程能力评估和服务推荐的系统框架，其中集成服务组合模块成功地将不同公司的工程师或管理团队的工程知识相连接形成共享。此外，在评估服务组合效率时，通常使用QoS作为标准。Lartigau等人通过考虑服务质量(QoS)评估，提出一种云制造服务组合方法来解决商家之间运输路线的选择问题。Que等人提出了一种感知QoS制造商对用户(M2U)模式，提高了其资源动态优化分配能力。

虽然这些方法在一定程度上促进了服务组合优化的研究工作，但是制造任务的复杂性和云制造平台中服务数量的快速增长仍旧对SCOS方法提出了巨大的挑战。事实上，现有的这些方法都忽略了一些亟待解决的问题：(1)由于云制造系统中的服务数量的不断增加，现有方法在解决大规模SCOS问题时效率低下，所以寻找更高效的算法是亟待解决的问题之一；2)随着服务组合条件变得复杂，导致服务组合很难找到精确解，所以改进算法的全局搜索策略也是当前现有算法需要重视的另一个主要问题。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：云制造系统中的服务数量众多，现有方法所使用的算法在解决问题时的效率较低，同时现有算法在全局搜索时的能力不足，得到的服务组合的解不够精确。

为解决上述技术问题，本发明采用如下技术方案：一种基于混合教学优化算法的云制造服务组合方法，包括如下步骤：

S100：从公开服务集S中随机选择x个服务并初始化生成种群P’，利用Skyline查询从公开服务集S选择x’个服务并初始化生成种群P”，集合种群P’和种群P”得到初始种群P，其中，具体表示如下：

P＝{P₁，P₂，...，P_n，...，P_N} (1-1)

S_m＝{s_m，1，s_m，2，...，s_m，n′，...，s_m，N′} (1-2)

P_n＝{s_1，2，s_2，1，...，s_m，n′，...，s_M，N′} (1-3)

其中，N表示初始种群中的个体数量，S_m表示第m个服务集，N′表示第m个服务集中的服务数量，P_n为第n个个体，s_m，n′表示第m个服务集的第n′个候选服务。

S200：计算初始种群P中每个个体的QoS值，具体表达式如下：

Max(QoS)＝Max∑ω_k×Q_k (2-1)

其中，ω_k表示第k个指标的权重，Q_k是第k个QoS属性归一化后的值，其中，ω_k∈[0，1]；

其中，表示Q_k归一化的具体计算公式如下：

其中，minq_k表示所有可能的组合路径中第k个聚合QoS值的最小值，maxq_k表示所有可能的组合路径中第k个聚合QoS值的最大值。

S300：将S200中得到的QoS值进行降序排列并选出最优值F(P_best)，并将最优值F(P_best)在初始种群P中对应的个体为最优个体P_teacher。

S400：将初始种群P按照一定比例分成种群A和种群B两部分：利用最优个体P_teacher从种群A中获得新个体

组成种群A’，从种群B中获得新个体

和

组成种群B’，此时种群A’中的个体为原种群A中个体的子代，种群B’中的个体为原种群B中个体的子代，种群A’和种群B’包含的所有个体，称为子代个体。

S500：根据步骤S400所得到的所有子代个体构建新种群P_new。

S600：利用步骤S200计算新种群P_new中所有新个体的适应度值，并将所有新个体的适应度值进行降序排列。

S700：选出S600步骤得到的最大适应度值QoS’，与步骤S300得到的最优值F(P_best)进行比较；

如果该最大适应度QoS’值大于最优值F(P_best)，则将该最大适应度QoS’值

作为新的最优值F(P_best)，如果该最大适应度QoS’值小于或者等于最优值F(P_best)，则保留F(P_best)原值。

S800：重复步骤S400-S700，当达到预设最大迭代次数时停止，输出最优值F(P_best)，此时该最优值F(P_best)对应的个体为最优服务组合。

作为优选，所述S400中将初始种群P按照一定比例分成种群A和种群B两部分，从种群A中获得新个体

组成种群A’，从种群B中获得新个体

和

组成种群B’的具体步骤为：

S410：按照TLBO算法和CSO横向交叉算法通过实际试验对种群P进行划分。S420：通过TLBO算法计算种群A’，具体表达式如下：

T_F＝round(1+rand(0，1)) (4-2)

其中，

表示种群A’中的第i个个体，

表示种群A中的第i个个体，P_mean表示种群P中的算数平均值，r为[0，1]区间内的随机数；T_F表示决定平均值变化的教学因素。

通过CSO横向交叉算法计算种群B’，具体表达式如下：

其中，

表示

的第d维子代，

表示

的第d维子代，表达式如下：

其中，r₁，r₂是[0，1]之间的随机数；c₁，c₂是[-1，1]之间的随机数；

表示父代种群B中个体

的第d维个体，

表示父代种群B中个体

的第d维个体；

和

分别是

和

通过横向交叉产生的第d维子代，所有第d维子代个体构成种群B’。

通过教学阶段得到的新个体是任意的，教学阶段的机制可能会导致结果在一定程度上出现收敛率差和过早的现象，而且在实验中发现TLBO算法的稳定性较差，相同的实验设置，不同的执行次数，得到的适应度值相差较大，因此，本文在这个阶段加入了纵横交叉算法CSO的横向交叉算法(Horizontal crossover)去有效地解决了这一问题。

在迭代过程中，CSO算法的每一代都会进行横向交叉和纵向交叉两种交叉方式，从而使得种群中某些陷入局部最优的维就会有机会跳出迭代，横向交叉(Horizontalcrossover)全局搜索能力较强，所以在提高解质量的同时会增加时间消耗，因此本发明根据实验来确定TLBO和CSO的种群划分比例。

作为优选，所述S500中构建新种群P_new的具体步骤如下：

S510：从所有子代个体中随机选择一个个体p_k。

S520：比较p_j和p_k相对应的适应度值，其中，p_j为除p_k以外的其余子代个体j＝1，2，...，N-1，且j≠k。

如果p_j的适应度值大于p_k的适应度值，则通过公式(5-1)更新

具体表达式如下：

如果p_j的适应度值小于或者等于p_k的适应度值，则通过公式(5-2)更新

具体表达式如下：

S530：将步骤S520得到的

的适应度值与p_j的适应度值进行比较，如果

的适应度值大于p_j的适应度值，则选择

作为新种群的个体，否则，则选择p_j作为新种群的个体；

S540：重复步骤S510-S530，遍历所有子代个体，得到新种群P_new。

此处创建新种群的目的，就是从大量符合任务要求的服务中，可以更准确的找出具有最优适应度值(QoS值)的云制造服务组合方案。

相对于现有技术，本发明至少具有如下优点：

1.为了提高算法的收敛速度，我们在数据初始化阶段用了Skyline查询。Skyline查询可以根据服务质量指标之间的约束找到约束的平衡点，这样会大大减少搜索空间。

2.为了增加算法的全局搜索能力，我们在原TLBO的教学阶段结合了CSO，该方法从小粒度的角度去考虑组合路径的优化，弥补了原TLBO搜索能力的不足。

3.为了获得本文算法的最佳性能，我们通过实验确定了CSO的种群比例和验证了我们提出算法的有效性。

附图说明

图1为本发明算法框架图。

图2为CSO种群比例对QoS值的影响。

图3为算法收敛曲线。

图4为各种算法的性能比较。

具体实施方式

下面对本发明作进一步详细说明。

在云制造过程中，为了确保任务的顺利执行，服务组合是必不可少的技术。云制造面临的一个重要挑战是如何实施有效、准确的服务组合策略，即在有效执行任务的同时，通过最大化整体服务质量来满足用户的需求。然而，现阶段的云制造服务组合的方法中普遍存在着在大规模环境下解质量差的问题。

针对上述问题，本发明提出了一种混合优化算法，称为hybrid-TC，它是教学优化方法(TLBO)和纵横交叉算法(CSO)的结合。首先，在初始化阶段增加Skyline查询来提高收敛速度和解的质量。其次，在原始的TLBO的教学阶段结合了CSO的横向交叉操作，从而使陷入局部最优的种群中的一些维度有机会跳出迭代。最后，在教学阶段学习到的后代将通过继续学习来提高解的质量。

参见图1，一种基于混合教学优化算法的云制造服务组合方法，包括如下步骤：

S100：从公开服务集S中随机选择x个服务并初始化生成种群P’，利用Skyline查询，该技术为现有技术，从公开服务集S选择x’个服务并初始化生成种群P”，集合种群P’和种群P”得到初始种群P，其中，具体表示如下：

P＝{P₁，P₂，...，P_n，...，P_N} (1-1)

S_m＝{S_m，1，s_m，2，...，s_m，n′，...，s_m，N′} (1-2)

P_n＝{s_1，2，s_2，1，...，s_m，n′，...，s_M，N′} (1-3)

其中，N表示初始种群中的个体数量，S_m表示第m个服务集，N′表示第m个服务集中的服务数量，P_n为第n个个体，s_m，n′表示第m个服务集的第n′个候选服务。

该步骤为初始化阶段，主要涉及到算法输入需要的一些数据，除了简单的数据外最重要的是初始种群P的生成，一般来说，初始化种群P是从服务集S中随机选择服务s生成的，随机生成的初始种群没有规则，会导致算法收敛性较差和解质量不高问题。为了提高算法的收敛性和解的质量，本发明将Skyline查询加入到初始数据的处理中，Skyline查询的操作原理是根据QoS之间的约束，找到约束的平衡点，得到整个路径中最好的QoS值。由于skyline查询选出来的都是最优候选服务，因此减少了搜索空间，值得注意的是，如果每个子任务对应的候选服务数量太大，skyline查询的时间消耗可能会很高。介于此，本发明中所使用的初始化种群只有五分之一的个体是由skyline查询生成的，而且用skyline查询生成的数据是在离线状态下生成，这样更能节约服务组合阶段的时间，在生成种群之后，将所有的种群进行计算并排序，将最优的QoS值保存下来以便与第四阶段的结果进行对比。

S200：计算初始种群P中每个个体的QoS值，具体表达式如下：

Max(QoS)＝Max∑ω_k×Q_k (2-1)

其中，ω_k表示第k个指标的权重，Q_k是第k个QoS属性归一化后的值，其中，ω_k∈[0，1]；

其中，表示Q_k归一化的具体计算公式如下：

其中，minq_k表示所有可能的组合路径中第k个聚合QoS值的最小值，maxq_k表示所有可能的组合路径中第k个聚合QoS值的最大值。针对选择的不同属性指标选择不同的公式予以计算，积极属性指标

QoS值越大越好，本发明中选择的四个指标中可靠性和声誉属于积极属性指标；相反，消极属性指标

的QoS值越小越好，时间和成本属于消极属性指标。

典型的云制造服务组合(SCOS)问题是在多个QoS约束下从对应的服务中选择最佳服务组合起来执行任务T。服务组合主要有四种类型：顺序的、并行的、选择性的和循环的，其中三种类，并行的、选择性的和循环的是可以通过简化转换成顺序结构；为了获得最优服务组合路径，需要对云服务的多个属性指标进行综合评估，即将组合路径中的单个云服务中的QoS值进行聚合运算，并根据用户需求选出所有组合路径中的最优的QoS值；用于评估服务能力的QoS指标有20多种，其中部分指标已应用于制造云服务，本发明中选择QoS的四个属性指标时间，成本，可靠性，声誉作为QoS标准。顺序结构的聚合公式如表1所示。

表1 QoS聚合公式

S300：将S200中得到的QoS值进行降序排列并选出最优值F(P_best)，并将最优值F(P_best)在初始种群P中对应的个体为最优个体P_teacher。

S400：将初始种群P按照一定比例分成种群A和种群B两部分：利用最优个体P_teacher从种群A中获得新个体

组成种群A’，从种群B中获得新个体

和

组成种群B’，此时种群A’中的个体为原种群A中个体的子代，种群B’中的个体为原种群B中个体的子代，种群A’和种群B’包含的所有个体，称为子代个体。

S500：根据步骤S400所得到的所有子代个体构建新种群P_new。

S600：利用步骤S200计算新种群P_new中所有新个体的适应度值，并将所有新个体的适应度值进行降序排列。

S700：选出S600步骤得到的最大适应度值QoS’，与步骤S300得到的最优值F(P_best)进行比较；

如果该最大适应度QoS’值大于最优值F(P_best)，则将该最大适应度QoS’值

作为新的最优值F(P_best)，如果该最大适应度QoS’值小于或者等于最优值F(P_best)，则保留F(P_best)原值。

S800：重复步骤S400-S700，当达到预设最大迭代次数时停止，输出最优值F(P_best)，此时该最优值F(P_best)对应的个体为最优服务组合。

具体实施时，所述S400中将初始种群P按照一定比例分成种群A和种群B两部分，从种群A中获得新个体

组成种群A’，从种群B中获得新个体

和

组成种群B’的具体步骤为：

S410：按照TLBO算法和CSO横向交叉算法通过实际试验对种群P进行划分。S420：通过TLBO算法计算种群A’，具体表达式如下：

T_F＝round(1+rand(0，1)) (4-2)

其中，

表示种群A’中的第i个个体，

表示种群A中的第i个个体，P_mean表示种群P中的算数平均值，r为[0，1]区间内的随机数；T_F表示决定平均值变化的教学因素，T_F取值为1或2。

通过CSO横向交叉算法计算种群B’，具体表达式如下：

其中，

表示

的第d维子代，

表示

的第d维子代，表达式如下：

其中，r₁，r₂是[0，1]之间的随机数；c₁，c₂是[-1，1]之间的随机数；

表示父代种群B中个体

的第d维个体，

表示父代种群B中个体

的第d维个体；

和

分别是

和

通过横向交叉产生的第d维子代，所有第d维子代个体构成种群B’。显然，横向交叉对解的扰动是一维的，因此可以从更细维度去产生子代。

具体实施时，所述S500中构建新种群P_new的具体步骤如下：

S510：从所有子代个体中随机选择一个个体p_k。

S520：比较p_j和p_k相对应的适应度值，其中，p_j为除p_k以外的其余子代个体j＝1，2，...，N-1，且j≠k。

如果p_j的适应度值大于p_k的适应度值，则通过公式(5-1)更新

具体表达式如下：

如果p_j的适应度值小于或者等于p_k的适应度值，则通过公式(5-2)更新

具体表达式如下：

S530：将步骤S520得到的

的适应度值与p_j的适应度值进行比较，如果

的适应度值大于p_j的适应度值，则选择

作为新种群的个体，否则，则选择p_j作为新种群的个体；

S540：重复步骤S510-S530，遍历所有子代个体，得到新种群P_new。

实验数据

为不失一般性，所有QoS的属性值均在[0.7，0.95]范围内随机生成。用户对任务的QoS属性(时间、价格、可靠性和声誉)偏好的权重取为w1＝0.35，w2＝0.3、w3＝0.2、和w4＝0.15；此外，初始化参数Tmax＝1000，P＝40；由于生成数据的随机性，为了公平比较，每个实验运行20次。

参见图2，由于CSO算法从小粒度进行搜索，这样可以找到很好的解，但是如果CSO种群的比例过大，模型可能会搜索过度，从而消耗时间较长，很难保证模型的质量，因此，构建模型的CSO种群的比例需要仔细考虑；为了得到模型中种群的最佳比例(该比例的QoS结果在多种比例中是最好的)，本发明所用实验设置了11组不同的比例数据进行实验：CSO种群比例从0变化到100以每10增加,每个任务请求被分解成20个子任务，每个子任务对应50个候选服务。

从图中可以看出，随着CSO群体的比例从0增长到100，算法获得了最佳QoS值。具体来看，随着CSO群体的比例从0增加到10，平均QoS值迅速上升，这是因为CSO提高了算法的搜索能力；QoS值从10到70程缓慢增长趋势，然而在70-100的范围内QoS值曲线几乎是平行的，这标志着CSO种群的最佳比例等于70；因此，本发明基于此选择了30:70(TLBO:CSO)的种群比例。

参见图3，为了验证skyline查询在算法中的有效性，本发明对Hsk(含Skyline查询的hybrid-TC)、Hnsk(不含Skyline查询的hybrid-TC)、Tsk(含Skyline查询的TLBO)和Tnsk(不含Skyline查询的TLBO)算法进行了比较，每个任务T被分解为10个子任务，每个子任务对应的候选服务固定为50个。

四种不同算法的收敛曲线如图所示：可以观察到，Hsk和Tsk分别比其他两种算法性能好，这是因为加入的Skyline查询使得算法拥有更高的QoS适应度和更快的收敛速度。具体来说，Hsk和Tsk算法分别在第580次和600次左右收敛，但对于Hnsk、Tnsk却在第700次和760次左右收敛；有Skyline查询的算法比没有Skyline查询的算法获得更高的QoS值。此外，Hsk和Tsk在初始阶段获得的QoS值要高于Hnsk和Tnsk在初始阶段获得的QoS值。

为了验证本发明提出的方法在不同规模问题空间中的有效性，Hybrid-TC算法做将与遗传算法(GA)，粒子群算法(PSO)，教学算法(BTLO)，改进型灰狼算法(IGWO)进行比较；这些优化算法因其在组合优化问题中的良好性能而被选择，被选择的算法所需设置的参数，如表2所示。

表2算法参数的设置

SCOS问题空间的大小有两个重要的维度:(1)每个制造任务的子任务总数；(2)每个子任务对应的候选服务集中的服务总数。此实验中所有算法都会在9组数据中进行测试，如表3。这里的m表示子任务数，n表示子任务对应的候选服务数。

表3 9种大小的问题空间

sizes	1	2	3	4	5	6	7	8	9
										m	10	10	10	20	20	20	30	30	30
n	150	300	450	150	300	450	150	300	450

参见图4，图中表示了5种算法各执行20次试验得到的QoS值的箱线图(中值、离散度和异常值)；中值越高，说明该算法相比其他算法在QoS适应度方面找到了较好的解集，离散值和异常值较低意味着算法找到的解集是鲁棒的。

根据结果可以看出hybrid-TC在9种情况下结果是最好的；同样地，TLBO，PSO，GWO分别排名第二第三第四，GA的结果最差。仔细观察，随着问题空间增大，所有算法都降低了最优解的适应度；当子任务数量固定，服务集中的候选服务从150变化到450时，各算法最优解的QoS适应值没有显著降低；当子任务的数量从10变化到30个，且每个子任务对应的候选服务固定时，各算法最优解的服QoS适应值降低较大；但是hybrid-TC和TLBO在所有情况下比其他的3种算法能找到更好的解，这表明TLBO本身对解决SCOS问题具有一定的优势；对于离散度来说，GA的稳定性是最差的，这是由于变异概率和交叉概率的存在，GA算法的进化在某些迭代中是不稳定的，而hybrid-TC在实验中总能得到最低的离散度，这说明hybrid-TC是所有对比算法中最稳定的。

总之，与其他算法相比，hybrid-TC总是可以在相同的条件下搜索到最佳解，这是因为CSO横向交叉操作的结合保证了hybrid-TC算法的良好性能，它不仅增强了种群的多样性来避免局部最优，而且使算法的稳定性也得到了提高；此外，还可以注意到，随着服务组合问题空间大小的增加，hybrid-TC与其他算法之间的解集差距变得更加明显。

云制造由传统制造业转向面向服务的制造业，正在改变制造业的发展前景。本发明在大规模云制造背景下用TBLO算法和CSO算法相结合的方式开发了一种新的混合算法来解决SCOS问题，该算法用横向交叉操作弥补了原TBLO算法全局收缩能力差的缺点；此外，在初始化数据阶段采用了Skyline查询方法来提高算法的收敛性，通过实验展示了本发明所使用的算法在不同案例中QoS值，并通过改变不同的子任务数和候选服务数来验证本算法在提高解质量上是有效且稳定的。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于混合教学优化算法的云制造服务组合方法，其特征在于：包括如下步骤：

S100：从公开服务集S中随机选择x个服务并初始化生成种群P’，利用Skyline查询从公开服务集S选择x’个服务并初始化生成种群P”，集合种群P’和种群P”得到初始种群P，其中，具体表示如下：

P＝{P₁,P₂,…,P_n,…,P_N} (1-1)

S_m＝{s_m,1,s_m,2,…,s_m,n＇,…,s_m,N＇} (1-2)

P_n＝{s_1,2,s_2,1,…,s_m,n＇,…,s_M,N＇} (1-3)

其中，N表示初始种群中的个体数量，S_m表示第m个服务集，N＇表示第m个服务集中的服务数量，P_n为第n个个体，s_m,n＇表示第m个服务集的第n＇个候选服务；

S200：计算初始种群P中每个个体的QoS值，具体表达式如下：

Max(QoS)＝Max∑ω_k×Q_k (2-1)

其中，ω_k表示第k个指标的权重，Q_k是第k个QoS属性归一化后的值，其中，ω_k∈[0,1]；

其中，表示Q_k归一化的具体计算公式如下：

其中，minq_k表示所有可能的组合路径中第k个聚合QoS值的最小值，maxq_k表示所有可能的组合路径中第k个聚合QoS值的最大值；

S300：将S200中得到的QoS值进行降序排列并选出最优值F(P_best)，并将最优值F(P_best)在初始种群P中对应的个体为最优个体P_teacher；

S400：将初始种群P按照一定比例分成种群A和种群B两部分：利用最优个体P_teacher从种群A中获得新个体

组成种群A’，从种群B中获得新个体

和

组成种群B’，此时种群A’中的个体为原种群A中个体的子代，种群B’中的个体为原种群B中个体的子代，种群A’和种群B’包含的所有个体，称为子代个体；

S410：按照TLBO算法和CSO横向交叉算法通过实际试验对种群P进行划分；

S420：通过TLBO算法计算种群A’，具体表达式如下：

T_F＝round(1+rand(0，1)) (4-2)

其中，

表示种群A’中的第i个个体，

表示种群A中的第i个个体，P_mean表示种群P中的算数平均值，r为[0,1]区间内的随机数；T_F表示决定平均值变化的教学因素；

通过CSO横向交叉算法计算种群B’，具体表达式如下：

其中，

表示

的第d维子代，

表示

的第d维子代，表达式如下：

其中，r₁,r₂是[0,1]之间的随机数；c₁,c₂是[-1,1]之间的随机数；

表示父代种群B中个体

的第d维个体，

表示父代种群B中个体

的第d维个体；

和

分别是

和

通过横向交叉产生的第d维子代，所有第d维子代个体构成种群B’；

S500：根据步骤S400所得到的所有子代个体构建新种群P_new；

S600：利用步骤S200计算新种群P_new中所有新个体的适应度值，并将所有新个体的适应度值进行降序排列；

S700：选出S600步骤得到的最大适应度值QoS’，与步骤S300得到的最优值F(P_bsst)进行比较；

如果该最大适应度QoS’值大于最优值F(P_best)，则将该最大适应度QoS’值作为新的最优值F(P_best)，如果该最大适应度QoS’值小于或者等于最优值F(P_bset)，则保留F(P_bsst)原值；

S800：重复步骤S400-S700，当达到预设最大迭代次数时停止，输出最优值F(P_best)，此时该最优值F(P_best)对应的个体为最优服务组合。

2.如权利要求1所述的一种基于混合教学优化算法的云制造服务组合方法，其特征在于：所述S500中构建新种群P_new的具体步骤如下：

S510：从所有子代个体中随机选择一个个体p_k；

S520：比较p_j和p_k相对应的适应度值，其中，p_j为除p_k以外的其余子代个体＝1,2,…,N-1，且j≠k；

如果p_j的适应度值大于p_k的适应度值，则通过公式(5-1)更新

具体表达式如下：

如果p_j的适应度值小于或者等于p_k的适应度值，则通过公式(5-2)更新

具体表达式如下：

S530：将步骤S520得到的

的适应度值与p_j的适应度值进行比较，如果

的适应度值大于p_j的适应度值，则选择

作为新种群的个体，否则，则选择p_j作为新种群的个体；

S540：重复步骤S510-S530，遍历所有子代个体，得到新种群P_new。

Images